将神经网络与量子模拟器集成用于态重构
量子物理
2019-12-10 v2 量子气体
摘要
我们展示了利用可编程量子模拟器生成的实验数据，通过融入已知实验误差的神经网络模型实现量子多体态重构。具体而言，我们从具有八个和九个原子的里德伯量子模拟器在单一测量基下产生的数据中提取受限玻尔兹曼机（RBM）波函数，并应用一种新颖的正则化技术以减轻训练数据中测量误差的影响。具有适中复杂度的重构能够捕捉实验人员无法获取的单体和两体可观测量，以及诸如Rényi互信息这类更为复杂的可观测量。我们的结果为将机器学习架构与中等规模量子硬件相集成打开了大门。
引用
@article{arxiv.1904.08441,
title = {Integrating Neural Networks with a Quantum Simulator for State Reconstruction},
author = {Giacomo Torlai and Brian Timar and Evert P. L. van Nieuwenburg and Harry Levine and Ahmed Omran and Alexander Keesling and Hannes Bernien and Markus Greiner and Vladan Vuletić and Mikhail D. Lukin and Roger G. Melko and Manuel Endres},
journal= {arXiv preprint arXiv:1904.08441},
year = {2019}
}
备注
15 pages, 13 figures