利用机器学习制备纠缠多体量子态

在量子模拟器上制备目标量子多体态是量子科学与技术的重要步骤之一。对于少量量子比特，已制备出如Greenberger-Horne-Zeilinger态等少数量子态，但多量子比特系统中的根本困难依然存在，包括量子操作数的Lieb-Robinson界。在此，我们提供一种带深度学习过程实现的算法，并成功制备具有多量子比特的目标基态。我们的策略是训练机器学习模型，并利用少量量子比特对应量子态的模式来预测多量子比特的参数。例如，我们展示带量子近似优化Ansatz的算法可有效生成具有64个自旋的一维XY模型基态。我们还展示两量子比特的约化密度算符可用于捕捉量子多体态的模式，如关联长度，即便对量子临界态亦如此。