基于量子数据学习的 2+1 维 Toric Code 环气模型中的拓扑到铁磁相变
量子物理
2025-11-26 v1 高能物理 - 格点
摘要
量子数据学习（Quantum Data Learning, QDL）为从量子态中直接提取物理洞见提供了框架，无需识别经典可观测量。许多体系物理中的核心挑战在于，尤其是具有拓扑秩序的相，其识别往往无法通过局域可观测量或简单对称破缺诊断所访问。我们将 QDL 技术应用于 2+1 维 Toric Code 环气模型（在磁场中）。使用参数化环气电路（PLGC）和变分量子本征值求解器（VQE）方法生成多个晶格规模下的基态。随后，我们在完整场参数范围内训练量子卷积神经网络（QCNN），以进行相分类并捕获整体相结构。我们还采用一种 physics-aware 训练协议，排除相变点估计值为 附近的临近临界区域（），保留此窗口用于测试，以评估模型学习相变的能力。并行地，我们实现一种基于状态重叠的无监督量子 k 均值方法，该方法在无需先验标注的情况下将数据划分为两个相。我们的监督 QDL 方法恢复了相结构并准确定位相变，与此前报告的值 closely 一致；无监督 QDL 方法恢复了相结构并以小偏移定位相变，如预期的有限体积情况；两种 QDL 方法均优于经典方法。这些发现表明 QDL 作为刻画拓扑量子物质、研究有限体积效应及探索更高维系统相图的有效框架。
关键词
引用
@article{arxiv.2511.16851,
title = {Quantum Data Learning of Topological-to-Ferromagnetic Phase Transitions in the 2+1D Toric Code Loop Gas Model},
author = {Shamminuj Aktar and Rishabh Bhardwaj and Andreas Bärtschi and Tanmoy Bhattacharya and Stephan Eidenbenz},
journal= {arXiv preprint arXiv:2511.16851},
year = {2025}
}