基于机器学习的稳定子 Renyi 熵估计研究
量子物理
2026-03-03 v1 机器学习
摘要
非稳定子是量子优势的基本资源，因为它量化了量子态与可以在经典计算机上高效模拟的状态（即稳定子态）的偏离程度。稳定子 Renyi 熵(SRE) 是最受关注的非稳定性度量之一，due to its computational properties and suitability for experimental measurements on quantum processors。由于对任意量子态计算 SRE 是一个计算困难的问题，我们提出一种监督式机器学习方法来估计它。在本工作中，我们将 SRE 估计建模为回归任务，并在包含无结构随机量子电路和源自物理动机的一维横向伊辰模型(TIM)的结构化电路的综合数据集上训练 Random Forest Regressor 和支持向量回归(SVR)。我们使用两种不同的量子电路表示方法比较机器学习模型：一种基于经典阴影，另一种基于电路层级特征。此外，我们评估了模型在超出分布实例上的泛化能力。实验结果表明，基于电路层级特征训练的 SVR 在整体性能方面取得最佳效果。在随机电路数据集上，该方法能够收敛到准确的 SRE 估计，但在超出分布方面难以概括。相比之下，它在结构化 TIM 数据集上能够很好地概括，甚至适用于更深更大的电路。与前期工作相符，我们的实验表明，机器学习为高效的非稳定性估计提供了可行之路。
关键词
引用
@article{arxiv.2509.16799,
title = {A Study on Stabilizer R\'enyi Entropy Estimation using Machine Learning},
author = {Vincenzo Lipardi and Domenica Dibenedetto and Georgios Stamoulis and Mark H. M. Winands},
journal= {arXiv preprint arXiv:2509.16799},
year = {2026}
}