NISQ 设备上量子信道的机器学习
量子物理
2024-11-14 v2 无序系统与神经网络
统计力学
摘要
世界范围内的努力均旨在实现先进的量子模拟器与处理器。然而，尽管已经发展出复杂的硬件与脉冲控制系统，这些设备上实际实现的有效量子动力学或量子信道可能仍不为人所普遍知晓。为了系统地推断这些量子信道，我们提出了一种神经网络算法，通过有效量子信道的反复作用来逼近一般的离散时间动力学。我们考虑多体幺正电路中的时间周期性 Lindblad 动力学以及非幺正子系统动力学来测试我们的方法。此外，我们利用该方法研究了 ibmq_ehningen 量子处理器上的串扰效应，这展示了当物理设备上底层动力学的确切性质未知时，该方法可作为推断量子信道的实用工具。虽然目前的方法是为学习马尔可夫动力学而量身定制的，但我们讨论了如何对其进行调整，以使其也能捕捉一般的非马尔可夫离散时间演化。
引用
@article{arxiv.2405.12598,
title = {Machine learning of quantum channels on NISQ devices},
author = {Giovanni Cemin and Marcel Cech and Erik Weiss and Stanislaw Soltan and Daniel Braun and Igor Lesanovsky and Federico Carollo},
journal= {arXiv preprint arXiv:2405.12598},
year = {2024}
}
备注
6+8 pages, 5+5 figures, comments welcome