通过数据增强神经网络对多体连续变量纠缠结构进行分类
计算机视觉与模式识别
2024-09-13 v1
摘要
神经网络已成为量子信息处理的有前景的范例，但它们面临生成规模足够且具有丰富多样性训练数据集的挑战，这在处理多体量子系统时尤为突出。例如，在对多体纠缠结构进行分类的任务中，需要模拟大量覆盖尽可能多种非高斯态状态的数据。本文开发了一种数据增强神经网络来完成这一任务。我们提出了一种基于经典数据处理技术和量子物理原理的数据增强方法，以高效提升网络性能。通过在随机生成的三体和四体态上进行测试，我们展示了该网络能够指示不同分区之间存在的纠缠结构，并且在数据增强后准确率显著提高。我们的方法使得数据驱动的机器学习技术能够进一步扩展到学习在大希似德空间中编码的更复杂的量子系统的任务。
引用
@article{arxiv.2409.07907,
title = {From COCO to COCO-FP: A Deep Dive into Background False Positives for COCO Detectors},
author = {Longfei Liu and Wen Guo and Shihua Huang and Cheng Li and Xi Shen},
journal= {arXiv preprint arXiv:2409.07907},
year = {2024}
}