量子保真度估计的不确定性量化

研究提出一种融合贝叶斯信息的共形预测框架，为量子态保真度估计提供无分布假设的严格预测区间。该框架兼容经典点估计器与数据驱动的神经网络估计器，在有限样本噪声、物理模型误差及分布外数据等实验挑战下均能保持统计有效性。其中，基于类别条件共形预测的变体表现最佳，能够高度逼近真实置信区间所需的条件覆盖率。