利用生成式查询神经网络灵活学习量子态
量子物理
2022-10-21 v2 机器学习
摘要
深度神经网络是表征量子态的有力工具。现有网络通常用从需要表征的特定量子态收集的实验数据进行训练。但是，是否可能离线训练一个神经网络，并对非训练所用量子态做出预测？在此我们引入一种网络模型，它可以用来自基准态与测量集的经典模拟数据训练，之后可用于表征与基准集中态具有结构相似性的量子态。在极少量子物理引导的情况下，该网络建立自身数据驱动的量子态表示，并用其预测尚未进行的量子测量的结果统计。网络产生的态表示也可用于超出结果统计预测的任务，包括量子态聚类与不同物质相的识别。我们的网络模型提供了一种灵活方法，可应用于在线学习场景（须在计算实验数据可用时即刻生成预测）以及盲学习场景（学习者仅能访问量子硬件的加密描述）。
引用
@article{arxiv.2202.06804,
title = {Flexible learning of quantum states with generative query neural networks},
author = {Yan Zhu and Ya-Dong Wu and Ge Bai and Dong-Sheng Wang and Yuexuan Wang and Giulio Chiribella},
journal= {arXiv preprint arXiv:2202.06804},
year = {2022}
}
备注
Major improvements in the presentation; new numerical experiments that illustrate the applicability of our neural network to various types of states