基于 Transformer 的神经 quantum 数字孪生体用于 many-body 量子模拟与最优退火方案设计
量子物理
2025-12-23 v2 人工智能
新兴技术
摘要
我们提出了基于 Transformer 的神经量子数字孪生体（Tx-NQDTs），用于在较低计算成本下模拟 many-body 量子系统的完整绝热动力学，包括基态和低能激发态。Tx-NQDTs 采用基于图信息的 Transformer 神经网络训练，以预测熵谱性质（能级和能隙位置），用于退火方案设计。我们将这些预测与基于一阶绝热扰动理论（FOAPT）的自适应退火方案设计相结合，该方案在预测的能隙较小处减慢演化，以维持绝热性。在 D-Wave 量子 annealer 上进行的实验（N=10、15、20 比特，12 个控制分段）显示，Tx-NQDT 指导的方案尽管面临硬件噪声和校准漂移，仍显著提高了成功概率。优化后的方案比默认线性方案提高了 2.2-11.7 个百分点，在 44 个中的 60 个案例中均优于 D-Wave 基线。这些结果表明，这是一条在实际硬件上实现更好量子退火性能的数据驱动路径。
引用
@article{arxiv.2505.15662,
title = {Transformer-Based Neural Quantum Digital Twins for Many-Body Quantum Simulation and Optimal Annealing Schedule Design},
author = {Jianlong Lu and Hanqiu Peng and Ying Chen},
journal= {arXiv preprint arXiv:2505.15662},
year = {2025}
}
备注
23 pages, 10 figures, 2 tables