用于制备热态和预热态量子态的深度强化学习
量子物理
2023-01-30 v3
摘要
我们提出一种基于深度强化学习的方法,可高效制备处于热平衡或预热平衡的量子多体纯态。该方法背后的主要物理直觉是,平衡态的信息可通过仅关注少数局域可观测量来高效编码/提取,这依赖于平衡态的典型性。我们未采用利用量子态保真度等全局特征的昂贵制备协议,而是表明仅通过学习局域可观测量期望值即可高效制备平衡态。我们通过制备两个示例来演示该方法:非可积系统中的Gibbs系综和可积系统中的广义Gibbs系综。数值表明,仅由局域可观测量制备的纯态成功编码了平衡态的宏观性质。此外,我们发现制备误差相对于系统尺寸在Gibbs系综中呈指数衰减,在广义Gibbs系综中呈多项式衰减,这与热力学系综内的有限尺寸涨落一致。我们的方法为在量子硬件中研究量子多体系统的热力学和统计性质铺平了道路。
引用
@article{arxiv.2207.12656,
title = {Deep reinforcement learning for preparation of thermal and prethermal quantum states},
author = {Shotaro Z. Baba and Nobuyuki Yoshioka and Yuto Ashida and Takahiro Sagawa},
journal= {arXiv preprint arXiv:2207.12656},
year = {2023}
}
备注
18 pages, 15 figures;Appendix F-I added, some additional descriptions, script & fugures improved, results unchanged