光子量子行走中混合态层析的高效学习
量子物理
2024-11-07 v1 光学
摘要
开放量子行走（QW）中噪声增强的应用近年来迅速发展，因其能够提升性能。然而，验证开放QW的成功具有挑战性，因为混合态层析是一个资源密集型过程，且由于各种物理约束，实施所有所需测量几乎不可能。为应对这一挑战，我们提出了一种基于神经网络的方法，以高保真度（约97.5%）重建混合态，而所需测量次数仅为传统一维开放离散时间QW通常所需测量次数的50%。我们的方法使用神经网络密度算符对系统和环境进行建模，随后采用广义自然梯度下降过程，显著加速训练。此外，我们引入了一种紧凑的干涉测量装置，提高了光子QW装置的可扩展性，使其能够实现混合态的实验学习。我们的结果表明，高表达能力的神经网络可以作为传统态层析的强大替代方案。
引用
@article{arxiv.2411.03640,
title = {Efficient learning of mixed-state tomography for photonic quantum walk},
author = {Qin-Qin Wang and Shaojun Dong and Xiao-Wei Li and Xiao-Ye Xu and Chao Wang and Shuai Han and Man-Hong Yung and Yong-Jian Han and Chuan-Feng Li and Guang-Can Guo},
journal= {arXiv preprint arXiv:2411.03640},
year = {2024}
}