通过遗传算法探索噪声量子信道相干信息的超可加性

机器学习技术正日益被用于基础研究中解决各种具有挑战性的问题。在此我们探索这样一种技术，以应对量子通信场景中的一个重要问题。在通过噪声量子信道传输量子信息时，信道的效用由其量子容量表征。然而，量子信道展现出一种称为相干信息超可加性的引人注目性质。这使得量子容量的计算成为一个困难的计算问题，涉及在指数增长的搜索空间上优化。在本工作中，我们首先利用神经网络 ansatz 表示量子态，然后应用一种进化优化方案来解决该问题。我们在量子比特 Pauli 信道的三参数空间中找到相干信息展现该超可加性特征的区域。我们刻画了实现高相干信息的量子码，发现若干非平凡量子码在某些 Pauli 信道上优于重复码。对某些 Pauli 信道，这些码展现出约 0.01 量级的很高超可加性，远高于其他已被充分研究的量子信道中观测到的值。我们进一步比较了神经网络 ansatz 与原始 ansatz 的学习性能，发现三发(shot)情形下神经网络 ansatz 在寻找高相干信息量子码上优于原始表示。我们还比较了进化算法与简单粒子群优化(Particle Swarm Optimisation)方案的学习性能，并给出表明二者性能相当的实证结果，提示神经网络 ansatz 结合进化方案确实是寻找高相干信息非平凡量子码的一种有前景的方法。