基于深度神经网络与量子行走的量子拓扑识别
量子物理
2019-08-28 v2
摘要
拓扑有序材料可作为容错量子计算机等新型量子技术的平台。为实现此前景，需要高效且通用的方法来发现和分类物质的新拓扑相。我们展示了增强外部记忆的深度神经网络可利用量子行走中形成的密度分布来高效识别拓扑相的属性以及相变。在一个试验拓扑有序模型上，我们的方法拓扑相识别准确率达到 97.4%，并且对数据中的噪声表现出鲁棒性。此外，我们展示了训练好的 DNN 能够在未事先学习任何扰动信息的情况下，识别扰动模型的拓扑相并预测相应的拓扑相变偏移。这些结果表明我们的方法具有普遍适用性，可用于识别多种量子拓扑材料。
引用
@article{arxiv.1811.12630,
title = {Quantum topology identification with deep neural networks and quantum walks},
author = {Yurui Ming and Chin-Teng Lin and Stephen D. Bartlett and Wei-Wei Zhang},
journal= {arXiv preprint arXiv:1811.12630},
year = {2019}
}
备注
13 pages, 5 figures and 4 tables