为神经量子态 tomography 引导经典阴影

我们研究了使用自回归神经量子态作为经典阴影 tomography 的 ansatze，以提高其预测能力。我们引入了一个用于优化交叉熵损失函数的新型估计器，并提出了一种新的重要抽样策略，用于通过从经典阴影中收集的稳定器样本来估计训练期间的损失梯度。我们表明，该损失函数可用于使用基于 Transformer 的神经网络在经典阴影测量下重建 GHZ 态。该损失函数还使我们能够训练表示混合态purification的神经量子态。我们的结果表明，自回归模型在表示物理上良好定义的密度矩阵方面的内在能力，使我们能够克服基于 Paul 基的经典阴影 tomography 在预测高权重可观测量和非线性可观测量（如纯态和混合态的纯度）方面的弱点。