利用量子卷积神经网络对物质量子相进行模型无关学习
量子物理
2023-06-05 v3 强关联电子
摘要
量子卷积神经网络（QCNNs）已被引入作为带隙物质量子相的分类器。在此，我们提出一种模型无关协议，用于训练 QCNN 以发现在保相扰动下不变的序参量。我们以量子相的不动点波函数启动训练序列，然后添加尊重体系对称性的平移不变噪声，以在短尺度上掩盖不动点结构。我们通过在维上受时间反演对称性保护的相训练 QCNN 来说明该方法，并在若干展现平庸、对称破缺和对称保护拓扑序的时间反演对称模型上测试它。QCNN 发现了一组序参量，可识别全部三种相并准确预测相界位置。所提协议为在可编程量子处理器上实现硬件高效的量子相分类器训练铺平了道路。
引用
@article{arxiv.2211.11786,
title = {Model-Independent Learning of Quantum Phases of Matter with Quantum Convolutional Neural Networks},
author = {Yu-Jie Liu and Adam Smith and Michael Knap and Frank Pollmann},
journal= {arXiv preprint arXiv:2211.11786},
year = {2023}
}