退相位通道的多类分类
量子物理
2025-02-18 v1
摘要
我们研究了神经网络在分类单量子比特退相位通道环境参数中的应用。特别地，我们考察了线性感知机和两种非线性神经网络架构的性能。与基于时间序列的方法不同，我们的目标是仅利用两个随机时刻的层析数据来学习参数上的离散概率分布。我们考虑源自经典1/f^α噪声或与量子振荡器浴相互作用的退相位通道。待分类的参数是经典噪声的颜色α或量子环境的欧姆性参数s。在两种情况下，我们发现神经网络能够使用无噪声数据将参数精确分类为16类（对于颜色，线性NN足够；对于欧姆性，需要单层NN）。在存在噪声数据（例如来自有噪声的层析测量）的情况下，网络能够以约70%的准确率将1/f^α噪声的颜色分类为16类，而欧姆性分类则具有挑战性。我们还考虑了一个更粗粒度的任务，训练网络区分对应于α≶1和s≶1的两个宏观类别，使用单层NN获得了高达96%和79%的准确率。
引用
@article{arxiv.2108.01571,
title = {Multiclass classification of dephasing channels},
author = {Adriano M. Palmieri and Federico Bianchi and Matteo G. A. Paris and Claudia Benedetti},
journal= {arXiv preprint arXiv:2108.01571},
year = {2025}
}