多体可观测量与量子信息置乱的深度学习
量子物理
2024-07-24 v2
摘要
机器学习在量子科学中已显示出重大突破，其中深度神经网络尤其在处理量子多体系统建模方面展现出非凡能力。在此，我们探究数据驱动的深度神经网络学习物理可观测量动力学的能力与量子信息置乱之间的关联。我们训练一个神经网络，以在量子置乱的不同 regime 下从模型参数到随机量子电路中可观测量的演化建立映射，并测试其在应用于未见电路时的泛化（generalization）和外推（extrapolation）能力。我们的结果表明，一种特定类型的循环神经网络在已训练系统尺寸和时间窗口内对定域和置乱 regime 均极具泛化预测能力。这些包括已知经典学习方法在从全波函数表示中采样时失效的 regime。此外，所考虑的神经网络在对显示定域化的模型上能成功外推（extrapolating）至超出其训练所用时间窗口和系统尺寸的预测，但在置乱 regime 中不能。
引用
@article{arxiv.2302.04621,
title = {Deep learning of many-body observables and quantum information scrambling},
author = {Naeimeh Mohseni and Junheng Shi and Tim Byrnes and Michael J. Hartmann},
journal= {arXiv preprint arXiv:2302.04621},
year = {2024}
}