神经网络对纠缠自催化预测的解析
量子物理
2022-09-28 v1
摘要
机器学习技术已成功应用于量子理论中广泛现象的分类。从探测量子相变到识别贝尔非定域性，已有研究表明经典机器可通过经典数据学习真正的量子特征。量子纠缠是其中独特的量子现象之一，因为已证明神经网络可用于分类不同类型的纠缠。我们的工作在此基础上展开。我们研究不同的神经网络模型是否能够学会检测纠缠的催化与自催化。此外，我们还研究训练后的机器是否能检测另一种相关现象——我们称之为迁移知识（transfer knowledge）。由于我们是从零构建模型，除公开所有代码外，我们还能研究一系列典型指标，包括准确率、执行时间、训练时间、训练数据集中的偏差等。
引用
@article{arxiv.2112.14565,
title = {Analysis of Neural Network Predictions for Entanglement Self-Catalysis},
author = {Thaís M. Acácio and Cristhiano Duarte},
journal= {arXiv preprint arXiv:2112.14565},
year = {2022}
}
备注
We welcome suggestions! =)