六边形自旋网络的精确求值与拓扑量子神经网络
量子物理
2023-10-16 v2 无序系统与神经网络
广义相对论与量子宇宙学
高能物理 - 理论
量子代数
摘要
自旋网络之间的物理标量积已被证明是拓扑量子神经网络（TQNN）理论中的基本工具，TQNN 是作者先前在量子机器学习背景下引入的量子神经网络。然而，标量积的有效求值仍是该理论应用的瓶颈。我们引入了一种算法，用于求取 Noui 与 Perez 所定义的六边形自旋网络间的物理标量积。借助重耦合理论与 Haar 积分的性质，我们得到了一种高效算法，并给出了关于主要步骤的若干证明。我们利用经典与量子重耦合研究了 TQNN 求值在特定类别自旋网络上的行为。所有结果均可通过“idea.deploy”框架独立复现~\href{https://github.com/lullimat/idea.deploy}{\nolinkurl{https://github.com/lullimat/idea.deploy}}
引用
@article{arxiv.2310.03632,
title = {The exact evaluation of hexagonal spin-networks and topological quantum neural networks},
author = {Matteo Lulli and Antonino Marciano and Emanuele Zappala},
journal= {arXiv preprint arXiv:2310.03632},
year = {2023}
}
备注
15 pages (2 columns, 12+3), 16 figures. Comments are welcome!