用于资源态生成的生成对抗网络
量子物理
2026-03-19 v2 机器学习
摘要
我们引入了一个物理信息驱动的生成对抗网络框架，将量子资源态生成重新定义为一个逆向设计任务。通过将任务特定的效用函数嵌入训练过程，模型学会了生成针对量子隐形传态和纠缠广播优化的有效双量子比特态。对比基于分解的架构和直接生成架构表明，对厄米性、迹为一和正定性的结构性强制比仅依赖损失函数的方法能带来更高的保真度和训练稳定性。该框架以超过约98%的保真度复现了类Werner态和Bell对角态的理论资源边界，确立了对抗学习作为一种轻量级且有效的方法，用于约束驱动的量子态发现。这种方法为面向信息处理应用的定制化量子资源自动化设计提供了可扩展的基础，并以隐形传态和纠缠广播为例进行了说明，同时开启了在高效量子网络设计中使用此类态的可能性。
引用
@article{arxiv.2601.13708,
title = {Generative Adversarial Networks for Resource State Generation},
author = {Shahbaz Shaik and Sourav Chatterjee and Sayantan Pramanik and Indranil Chakrabarty},
journal= {arXiv preprint arXiv:2601.13708},
year = {2026}
}