通过带经典神经网络的变分量子电路估计纠缠熵
量子物理
2023-12-19 v2 统计力学
摘要
熵在物理与信息科学（涵盖经典与量子领域）中均起着关键作用。在本文中，我们提出量子神经熵估计器（QNEE），一种将经典神经网络（NN）与变分量子电路相结合以估计量子态的冯·诺伊曼（von Neumann）与雷尼（Renyi）熵的新方法。QNEE 在提供熵的准确估计的同时，还给出输入密度矩阵的特征值与特征态。借助经典 NN 的能力，QNEE 可对伴随纠缠熵变化的量子系统不同相进行分类。我们的数值模拟通过将 QNEE 应用于一维 XXZ 海森堡模型证明了其有效性。特别地，QNEE 在相变点附近估计纠缠熵时表现出高灵敏度。我们期望 QNEE 将成为量子熵估计与相分类的有价值工具。
引用
@article{arxiv.2307.13511,
title = {Estimating Entanglement Entropy via Variational Quantum Circuits with Classical Neural Networks},
author = {Sangyun Lee and Hyukjoon Kwon and Jae Sung Lee},
journal= {arXiv preprint arXiv:2307.13511},
year = {2023}
}
备注
14 pages, 5 figures; see also independent researches of Shin, Lee, and Jeong at arXiv:2306.14566v1 and Goldfeld, Patel, Sreekumar, Wilde at arXiv:2307.01171