用于量子态生成与恢复的连续变量量子扩散模型

基于摘要分析。本文研究连续变量（CV）量子信息处理中的复杂量子态生成及环境噪声下的状态恢复，提出结合连续变量量子扩散与连续变量量子神经网络（CVQNN）的框架，分别用于生成目标量子态和恢复受热噪声损坏的量子态。 机制方面，生成模型 CVQD-G 使用热损耗通道构建具有物理依据的前向扩散过程，再通过带时间嵌入的 CVQNN 学习反向去噪。作者将该反向过程描述为参数高效，但摘要未给出具体参数规模、网络结构、训练目标或扩散步数。恢复模型 CVQD-R 是面向量子态修复的专门变体，尤其针对未知参数的相干态从热退化中恢复；其与 CVQD-G 的具体训练及推理差异尚未验证。 结果方面，作者报告在数值模拟中实现了高保真量子态生成，覆盖高斯态中的相干态、压缩态，以及非高斯态中的 Fock 态、cat 态，保真度通常超过 99%。该数值对应摘要所述模拟场景，具体状态参数、噪声强度、评估汇总方式及对照基线尚未验证，不能据此推断所有状态或真实硬件条件下均达到相同表现。作者还报告模型能够稳健恢复受损量子态，并称复杂度分析显示训练与推理成本有利，但摘要未提供成本数值或比较条件。 阅读全文时需核对量子态表示、模拟截断与资源需求、保真度计算方法、训练和测试状态的划分、噪声条件，以及恢复模型对未知参数的泛化范围；实验协议、消融及统计信息尚未验证。本文的主要对象是 CV 量子系统，而非 EEG 或 BCI。其物理热损耗扩散不能直接等同于神经信号噪声建模，现有材料未提供具体的 EEG/BCI 对应机制，因此不提出跨领域复现实验建议。