利用注意力机制学习测量诱导相变
量子物理
2025-08-25 v1
摘要
测量诱导相变(MIPT)体现了以量子硬件新兴智慧为灵感的新的知识探索，涌现出离散可编程电路动力学。然而，实际观察这一相变具有挑战性，常需采用不可扩展的协议，如后选测量轨迹或依赖于经典仿真。在本工作中，我们引入一种基于量子注意力网络(QuAN)的可扩展数据中心方法，用于在不要求后选或经典仿真的情况下检测MIPT。将QuAN应用于由Haar随机unitary和弱测量生成的动力学后，我们首先展示了它能够通过将其解释为"可学习性"相变——即从测量记录中区分两种不同初始态变为可能——来定位MIPT，找到与精确结果一致的相边界。为了提高样本效率，我们考虑另一种"相识别"任务——对从单个初始态生成的弱-强监测数据进行分类。我们发现QuAN能够仅凭测量数据提供一种有效且对噪声容忍的MIPT上界，通过耦合Born分布水平(inter-轨迹)和动力学(temporal)注意力。在 particular，我们检查了在最低样本大小下训练的模型处理测试数据所产生的inter-轨迹得分，确认QuAN对早期时刻Born概率分布尾部的注意力特别关注。这一对QuAN学习的令人信服的解释表明，相识别方法可以以实验可达的方式有意义地信号MIPT。我们的结果为在near-term量子硬件上观察MIPT奠定了基础，凸显了注意力结构作为学习复杂量子动力学的强大工具。
引用
@article{arxiv.2508.15895,
title = {Learning measurement-induced phase transitions using attention},
author = {Hyejin Kim and Abhishek Kumar and Yiqing Zhou and Yichen Xu and Romain Vasseur and Eun-Ah Kim},
journal= {arXiv preprint arXiv:2508.15895},
year = {2025}
}