从量子模拟器的快照中学习 many-body 物理的最小表示
量子物理
2026-05-01 v1 机器学习
摘要
模拟量子系统提供了对经典计算难以到达的 many-body 动力学的访问。然而，由于测量噪声、可观测量有限以及对底层微观模型不完整的了解，从实验数据中提取物理洞察常常受到阻碍。本文发展了一种基于变分自编码器 (VAE) 的机器学习方法，用于分析隧穿耦合的单维玻色气体的干涉测量，这些气体实现了正弗-戈尔德量子场理论。经过无监督训练的 VAE 学习了与系统平衡控制参数强相关的最小潜在表示。应用于非平衡协议时，潜在空间揭示了快速冷却后冻结 solitons 的特征，并揭示了常规相关基方法所未捕捉的异常后-quench 动力学。这些结果表明，生成式模型可以直接从噪声和稀疏的实验数据中提取可解释的物理变量，为量子模拟器中的平衡和非平衡物理提供互补探针。更广泛地说，我们的工作突显了机器学习如何补充 established field-theoretical 技术的方式，为量子 many-body 系统中的可扩展、数据驱动的发现之路。
引用
@article{arxiv.2509.13821,
title = {Learning Minimal Representations of Many-Body Physics from Snapshots of a Quantum Simulator},
author = {Frederik Møller and Gabriel Fernández-Fernández and Thomas Schweigler and Paulin de Schoulepnikoff and Jörg Schmiedmayer and Gorka Muñoz-Gil},
journal= {arXiv preprint arXiv:2509.13821},
year = {2026}
}
备注
13 pages, 7 figures