基于波函数不完整信息的机器学习评估量子系统能谱
计算物理
2020-01-29 v1 量子物理
摘要
我们提出了一种利用机器学习(ML)算法快速估计量子系统能谱的有效方法。在 ML 方法(反向传播)中，实验已知的波函数数据被解释为属性类(输入数据)，而量子数谱确立标签类(输出数据)。为评估该方法，我们采用两个具有随机调制波函数振幅的精确可解模型。随机因子允许对量子系统状态信息的不完整性进行建模。将送入神经网络的试波函数，旨在对量子数谱作出预测。我们发现，在此配置下，若所分析量子态数目不太大，训练过程可快速收敛。亦研究了两量子比特纠缠。测试预测(训练后)的准确率达 98%。所考虑的 ML 方法为规划量子测量与复杂量子对象的最优监测开辟了重要前景。
引用
@article{arxiv.1912.11509,
title = {Evaluation of the spectrum of a quantum system using machine learning based on incomplete information about the wavefunctions},
author = {Gennadiy Burlak},
journal= {arXiv preprint arXiv:1912.11509},
year = {2020}
}