深入思考深度学习在大规模量子系统中的作用
机器学习
2025-05-21 v1 量子物理
摘要
表征量子系统的基态性质是捕捉其行为的基本任务，但 computationally 具有挑战性。近期的人工智能进展引入了多样化的方法，提出了各种机器学习（ML）和深度学习（DL）模型用于此目的。然而，当前DL模型在这些任务中的必要性及具体作用仍不明确，因为先前的研究常采用多样或不切实际的量子资源构建数据集，导致公平比较困难。为此，我们系统性地在三个哈密顿家族中对DL模型和传统ML方法进行基准测试，扩展至127量子比特的三个关键基态学习任务，同时强制等效的量子资源使用。我们的结果显示，ML模型在所有任务中常常实现与DL方法相当乃至更好的性能。此外，随机化测试表明，测量输入特征对DL模型的预测性能影响甚微。这一发现挑战了当前DL模型在许多量子系统学习情景下的必要性，并为其有效利用提供了宝贵的见解。
引用
@article{arxiv.2505.13852,
title = {Rethink the Role of Deep Learning towards Large-scale Quantum Systems},
author = {Yusheng Zhao and Chi Zhang and Yuxuan Du},
journal= {arXiv preprint arXiv:2505.13852},
year = {2025}
}
备注
ICML 2025