里德堡原子阵列上的数模量子学习

我们提出了在里德堡原子阵列上的混合数模学习算法，将量子学习的潜在实用性与近期可实现性，与中性原子的快速扩展架构相结合。我们的构建仅需在数字设置中进行单量子比特操作，并在模拟设置中根据里德堡哈密顿量进行全局驱动。我们分别通过手写数字分类和无监督量子相边界学习，对经典数据和量子数据上的算法进行了全面的数值研究。我们在两个代表性问题中表明，数模学习不仅在近期是可行的，而且与数字学习方案相比，需要更浅的电路深度，并且对现实误差模型更具鲁棒性。我们的结果表明，数模学习为近期改进的变分量子学习实验开辟了一条充满希望的路径。