基于深度神经网络的光学量子态分类与重构
量子物理
2021-10-04 v1 机器学习
摘要
我们应用基于深度神经网络的技术进行量子态分类与重构。我们展示了高分类准确率与重构保真度，即使在存在噪声且数据很少的情况下也是如此。以光学量子态为例，我们首先展示卷积神经网络（CNN）如何成功分类几类被加性高斯噪声或光子损耗等扭曲的态。我们进一步表明，在含噪输入上训练的CNN可以学会识别数据中最重要区域，这有可能通过引导自适应数据收集来降低层析成本。其次，我们展示使用融入量子物理知识的神经网络重构量子态密度矩阵。该知识被实现为自定义神经网络层，将标准前馈神经网络的输出转换为对量子态的有效描述。任何标准前馈神经网络架构都可用我们的方法适配于量子态层析（QST）。我们借助条件生成对抗网络（QST-CGAN）进一步展示所提出的[arXiv:2008.03240] QST技术。我们通过证明QST-CGAN在一系列场景中优于用标准损失函数训练的生成网络，来说明在对抗框架内可学习损失函数的选择依据。对于带加性或卷积高斯噪声的纯态，QST-CGAN能适应噪声并重构底层态。QST-CGAN所用迭代步数至多比标准迭代最大似然（iMLE）方法少两个数量级。此外，QST-CGAN能从比iMLE少两个数量级数量的随机选取数据点重构纯态与混合态。
引用
@article{arxiv.2012.02185,
title = {Classification and reconstruction of optical quantum states with deep neural networks},
author = {Shahnawaz Ahmed and Carlos Sánchez Muñoz and Franco Nori and Anton Frisk Kockum},
journal= {arXiv preprint arXiv:2012.02185},
year = {2021}
}
备注
40 pages, 20 figures, 5 tables, code will be available at https://github.com/quantshah/qst-nn