中文

用于量子纠缠预测的自注意力机制

量子物理 2026-07-02 v1
作者: Anuj Gore , Roopayan Ghosh , Dylan Lewis , Sougato Bose
在 arXiv 上查看 ↗ PDF ↗

摘要

量子纠缠是量子增强技术的有力资源。然而，由于希尔伯特空间随系统大小呈指数增长，其可靠量化仍然具有挑战性，这使得全态层析成像不可行。此外，实验估计纠缠通常需要大量的测量样本，导致显著的额外开销。在这项工作中，我们提出了两个模型，一个前馈神经网络和一个基于注意力的模型，用于从量子态的投影测量中准确预测二分第二Renyi熵。我们将其性能与标准经典阴影估计器进行基准测试，并发现机器学习方法在多种系统大小下实现了更高的准确性和改进的样本效率。我们的结果证明了机器学习在可扩展和高效估计量子关联方面的潜力。

关键词

量子纠缠 Renyi熵 机器学习 注意力机制 前馈神经网络 经典阴影估计 量子关联

引用

@article{arxiv.2607.02767,
  title  = {Self-Attention for Quantum Entanglement Prediction},
  author = {Anuj Gore and Roopayan Ghosh and Dylan Lewis and Sougato Bose},
  journal= {arXiv preprint arXiv:2607.02767},
  year   = {2026}
}