Hamiltonian Learning at Heisenberg Limit for Hybrid Quantum Systems
Lixing Zhang, Ze-Xun Lin, Prineha Narang, Di Luo
不同粒子物种的混合量子系统是量子材料和量子信息科学的基础。 在这项工作中,我们建立了一个严格的理论框架,证明在访问未知的自旋玻色子类型Hamiltonian时,我们的算法仅使用O(polylog(ε^-1)测量,实现了所有耦合参数的Heisenberg有限估计,直至错误,总进化时间O(ε^-1)。 它也是针对小状态准备和测量误差的稳健性。 此外,我们还提供了一种基于分布式量子传感的替代算法,可显著降低每次测量的进化时间。 为了验证我们的方法,我们展示了它在混合哈密尔顿学习和频谱学习中的效率,在AMO,凝聚态和高能物理学中具有广泛的应用。 我们的结果为混合量子平台的精确汉密尔顿表征提供了一个可扩展和强大的框架。
Hybrid quantum systems with different particle species are fundamental in quantum materials and quantum information science. In this work, we establish a rigorous theoretical framework proving that, given access to an unknown spin-boson type Hamiltonian, our algorithm achieves Heisenberg-limited estimation for all coupling parameters up to error ϵ with a total evolution time O(ϵ^-1) using only O( polylog(ϵ^-1)) measurements. It is also robust against small state preparation and measurement error...