Investigadores han desarrollado un marco general para la tomografía de estados cuánticos con una "extensión acotada" respecto a una clase estructurada de estados. Este avance permite caracterizar un estado cuántico desconocido que puede descomponerse como una superposición de estados de una familia específica, siempre que los coeficientes de esta superposición tengan una norma L1 acotada. La clave del método es la capacidad de "potenciar" un algoritmo de aprendizaje agnóstico débil para una clase de estados en un algoritmo de tomografía para estados que son combinaciones lineales de estos.

El estudio se centra en el concepto de una familia de estados cuánticos C que es "sucintamente representable" y para la cual existe un "aprendiz agnóstico débil". Un aprendiz agnóstico débil es un algoritmo que puede identificar, con cierta probabilidad, si un estado pertenece o no a la clase C, incluso en presencia de ruido. La contribución principal del trabajo es demostrar que si se dispone de tal aprendiz para una clase C, este puede transformarse en un algoritmo de tomografía para estados que son combinaciones lineales de los elementos de C con una extensión acotada. Esta reducción es de tipo "caja negra", lo que significa que es aplicable a una amplia variedad de modelos de clases de estados.

Como aplicación práctica, los autores consideran el caso en que C es la clase de estados estabilizadores. Para estos estados, el nuevo algoritmo de tomografía puede caracterizar estados con una extensión estabilizadora ξ hasta una distancia de traza ε, en un tiempo polinómico en el número de cúbits (n) y en un factor que depende de (ξ/ε) elevado a log(ξ/ε). Este rendimiento puede mejorarse a un tiempo polinómico en n, ξ y 1/ε si se asume la conjetura algorítmica polinómica de Freiman-Ruzsa en el régimen de alta duplicación. El mensaje conceptual central es que el aprendizaje agnóstico de una clase base estructurada conduce automáticamente a la capacidad de aprender su "span" lineal de baja complejidad.

Este desarrollo tiene implicaciones significativas para la caracterización de estados cuánticos complejos, especialmente aquellos que exhiben cierta estructura subyacente. La capacidad de realizar tomografía de manera eficiente para estados con extensión acotada es crucial para el desarrollo y la verificación de tecnologías cuánticas, como la computación y la simulación cuántica, donde la preparación y el control de estados específicos son fundamentales. El trabajo abre vías para futuras investigaciones en la aplicación de técnicas de aprendizaje automático a la metrología cuántica y la caracterización de sistemas cuánticos de mayor escala.