由杨-巴克斯特方程和人工神经网络介导的量子时间动力学
量子物理
2025-03-04 v2 软凝聚态物质
机器学习
计算物理
摘要
量子计算显示出巨大潜力，但错误构成了重大挑战。本研究探索了利用人工神经网络(ANN)和杨-巴克斯特方程(YBE)减轻量子错误的新策略。与计算密集型的传统错误缓解方法不同，我们研究了人工错误缓解。我们开发了一种新方法，将用于噪声缓解的ANN与用于生成含噪数据的YBE相结合。这种方法有效地降低了量子模拟中的噪声，提高了结果的准确性。YBE在特定可积晶格模型中严格保留了自旋链模拟中的量子关联和对称性，能够有效压缩量子电路，同时保持与量子比特数量的线性可扩展性。这种压缩有助于实现完全和部分实现，允许在硬件上生成含噪量子数据，同时在经典平台上进行无噪声模拟。通过YBE引入受控噪声，我们增强了用于错误缓解的数据集。我们在量子模拟的部分数据上训练了一个ANN模型，证明了其在缓解时间演化量子态错误方面的有效性，提供了一个可扩展的框架来提高量子计算保真度，特别是在含噪中等规模量子(NISQ)系统中。我们通过在真实量子设备上使用海森堡XY哈密顿量进行量子时间动力学模拟，证明了这种方法的有效性。
引用
@article{arxiv.2401.17116,
title = {Quantum time dynamics mediated by the Yang-Baxter equation and artificial neural networks},
author = {Sahil Gulania and Yuri Alexeev and Stephen K. Gray and Bo Peng and Niranjan Govind},
journal= {arXiv preprint arXiv:2401.17116},
year = {2025}
}