通过循环神经网络检测量子过程的马尔可夫性
量子物理
2025-04-30 v3
摘要
我们提出了一种新颖的方法，利用循环神经网络（RNN）对马尔可夫和非马尔可夫量子过程进行分类，利用了从 Choi 状态导出的时间序列数据。该模型在多种场景下表现出卓越的准确性，超过 95%，包括任意基下的退相和泡利信道、广义振幅阻尼动力学，甚至在存在噪声的情况下也是如此。此外，所开发的模型对所分析的时间序列数据表现出高效的预测能力。这些结果表明了 RNN 在识别和预测量子过程马尔可夫性质方面的潜力。
引用
@article{arxiv.2406.07226,
title = {Detecting Markovianity of Quantum Processes via Recurrent Neural Networks},
author = {Angela Rosy Morgillo and Massimiliano F. Sacchi and Chiara Macchiavello},
journal= {arXiv preprint arXiv:2406.07226},
year = {2025}
}
备注
This version includes results obtained with a noisy version of the dataset, along with other minor improvements