基于张量网络的非马尔可夫量子过程机器学习
量子物理
2021-01-04 v1
摘要
我们展示了如何使用基于张量网络的机器学习算法来学习一般非马尔可夫量子随机过程的结构。我们通过将过程表示为矩阵乘积算符（MPO），并利用不同时刻的局部输入状态数据库及对应的时间非局部输出状态对其进行训练。具体而言，我们分析了与环境耦合的量子比特，预测了系统在不同时刻的输出状态，并重构了完整的系统过程。我们展示了作为非马尔可夫性度量的 MPO 键维数如何依赖于系统、环境及其相互作用的性质。因此，本研究为实验研究过程张量及其性质开辟了道路。
引用
@article{arxiv.2004.11038,
title = {Tensor network based machine learning of non-Markovian quantum processes},
author = {Chu Guo and Kavan Modi and Dario Poletti},
journal= {arXiv preprint arXiv:2004.11038},
year = {2021}
}
备注
5 pages, 3 figures