中文

基于测量和相干量子策略学习多体系统中的低能子空间重叠

量子物理 2026-06-30 v1
作者: Shamminuj Aktar , Rishabh Bhardwaj , Tanmoy Bhattacharya , Stephan Eidenbenz
在 arXiv 上查看 ↗ PDF ↗

摘要

预测量子态与指定低能子空间的重叠是量子多体动力学的关键诊断，直接应用于态制备、基于子空间的算法和热化研究。我们研究了在局部微扰后，10 量子位海森堡自旋链的时间演化态与 K 维低能本征空间之间的子空间重叠 OKO_K 的监督预测。我们比较了两种量子信息提取策略：基于测量的学习（其中经典阴影特征由卷积神经网络处理）和相干量子学习（其中量子卷积神经网络直接处理状态）。我们进一步为这两种方法引入了物理信息变体，包括哈密顿量感知阴影和与海森堡交换结构对齐的 QCNN 门。在涵盖弱、中、强淬火机制的五个数据集配置中，物理信息 QCNN 实现了稳定的性能，平均测试集决定系数 R2=0.753−0.846R^2 = 0.753-0.846。基于阴影的方法表现出更强的机制依赖性：它们在中度淬火机制中优于 QCNN，达到 R2=0.886R^2 = 0.886，但在默认采样预算下的弱和强淬火中表现不佳，最佳阴影结果分别为 R2=0.615R^2 = 0.615 和 0.6720.672。在 Quantinuum 和 IBM 噪声模型上的硬件验证表明，任意态制备是主要的限制因素，需要大约 2,044 个双量子位门，并在推理前导致近乎完全的退极化。这些结果确定了基于测量和相干量子学习之间的机制依赖性权衡，当目标保持局部可访问时，阴影方法表现出色，而物理信息 QCNN 在不同动力学机制中提供更稳健的性能。

关键词

子空间重叠预测 量子多体系统 经典阴影 量子卷积神经网络 物理信息学习 海森堡自旋链

引用

@article{arxiv.2607.00235,
  title  = {Learning Low-Energy Subspace Overlaps in Many-Body Systems with Measurement-Based and Coherent Quantum Strategies},
  author = {Shamminuj Aktar and Rishabh Bhardwaj and Tanmoy Bhattacharya and Stephan Eidenbenz},
  journal= {arXiv preprint arXiv:2607.00235},
  year   = {2026}
}