AiDE-Q：合成标注数据集可增强量子性质估计的学习模型

量子多体问题是各门科学学科的核心，但其基态性质在本质上难以估计。深度学习（DL）的最新进展为该领域提供了潜在的解决方案，补充了先前纯经典和量子的方法。然而，现有的基于深度学习的模型通常假设能够获取通过无限采样收集的大规模且无噪声的标注数据集。这种理想化对其在实践中的效用提出了根本性的担忧，特别是考虑到近期量子硬件的可用性有限。为了释放这些基于深度学习模型的潜力，我们提出了 AiDE-Q（用于量子性质估计的自动数据引擎，\underline{a}utomat\underline{i}c \underline{d}ata \underline{e}ngine for \underline{q}uantum property estimation），这是一个通过迭代生成高质量合成标注数据集来应对该挑战的有效框架。具体而言，AiDE-Q 利用一致性检查方法评估合成标签的质量，并利用所识别的高质量合成数据集持续改进所采用的深度学习模型。为了验证 AiDE-Q 的有效性，我们在多达 50 个量子比特的多种量子多体和分子系统上进行了广泛的数值模拟。结果表明，AiDE-Q 提升了各种参考学习模型的预测性能，改进幅度高达 $14.2\%$。此外，我们展示了集成 AiDE-Q 的基础监督学习模型优于先进的参考模型，凸显了合成数据集的重要性。我们的工作为深度学习在量子性质估计中更高效、更实际的应用铺平了道路。