ShadowGPT：从随机化测量中学习求解量子多体问题
量子物理
2024-11-20 v2
摘要
我们提出了 ShadowGPT，一种通过学习从量子实验收集的随机化测量数据来求解量子多体问题的新方法。该模型是一个生成式预训练 Transformer（GPT），在通过随机化 Pauli 测量获得的量子哈密顿量基态的模拟经典阴影数据上进行训练。一旦训练完成，该模型可以预测跨越哈密顿量参数空间的一系列基态性质。我们在横场 Ising 模型和 cluster-Ising 模型上展示了其有效性，准确预测了基态能量、关联函数和纠缠熵。该方法突出了将量子数据与经典机器学习相结合以应对复杂量子多体挑战的潜力。
引用
@article{arxiv.2411.03285,
title = {ShadowGPT: Learning to Solve Quantum Many-Body Problems from Randomized Measurements},
author = {Jian Yao and Yi-Zhuang You},
journal= {arXiv preprint arXiv:2411.03285},
year = {2024}
}