前言
介绍了一种新的基于自适应网格精细的贝叶斯相位估计技术。该方法使用网格细化和单元合并策略自动选择精确相位估计所需的粒子数，使得每一步所需的粒子总数最小。所提出的方法为传统的基于抽样的序贯蒙特卡罗方法提供了一种强有力的替代方法，传统的基于抽样的序贯蒙特卡罗方法在某些情况下容易失败，例如当后验分布是双峰时。我们还将基于网格的方法和基于采样的方法结合起来作为混合粒子滤波器，其中基于网格的方法可用于估计一组小的但占主导地位的参数，而基于Liu-West (LW)的SMC用于剩余的一组参数。主峰度分析可用于决定网格细化方法和基于采样的方法的参数选择。我们提供了数值结果，比较了提出的网格细化方法和基于Liu-West重采样的SMC的性能。数值结果表明，该方法在量子相位估计方面有很好的应用前景。它可以容易地适用于哈密顿学习，这是一种非常有用的技术，用于估计哈密顿量的未知参数和用于表征未知量子器件。
近年来，量子计算的开发算法取得了很大进展。相位估计是许多量子计算算法中的一个重要步骤。贝叶斯方法在为解决这类问题提供逻辑一致的框架方面有着悠久的历