从物理可观测量到纠缠熵的量子多体动力学迁移学习
量子物理
2024-05-28 v1
摘要
深度神经网络在从复杂数据集中提取有意义表示方面显示出惊人的效能。这推动了表征学习成为跨多个领域具有吸引力的研究领域。一个有趣的开放问题是表征学习对量子多体物理学的帮助有多大，而其状态空间极其高维。在本工作中，我们展示了训练在许多体系统一部分物理可观测量上训练的神经网络的能力，部分地获得了波函数的隐式表征。我们通过演示预训练神经网络在学习另一个由量子态导出的量量方面效果提升的例子来说明这一点。特别地，我们关注预训练神经网络如何增强纠缠熵的学习。这在特定意义上尤其重要，因为直接测量许多体系统中的纠缠非常具有挑战性，而一部分物理可观测量可以在实验中轻松测量。我们显示，预训练神经网络能够比直接在纠缠熵上训练更少地使用资源和更高的精度来学习熵的动力学。
引用
@article{arxiv.2405.16254,
title = {Transfer learning in predicting quantum many-body dynamics: from physical observables to entanglement entropy},
author = {Philipp Schmidt and Florian Marquardt and Naeimeh Mohseni},
journal= {arXiv preprint arXiv:2405.16254},
year = {2024}
}