用于量子态重构的U(1)对称循环神经网络
量子物理
2021-07-07 v1 强关联电子
摘要
生成模型是增强量子模拟器的一种有前景的技术。这些机器学习方法能够从实验测量中重构量子态，并可辅助计算物理可观测量。本文中，我们采用循环神经网络（RNN）重构自旋-1/2 XY模型的基态，该模型是囚禁离子模拟器中探索的原型哈密顿量。我们探究了在施加U(1)对称性后的性能，Hibat-Allah等人最近[Phys. Rev. Research 2, 023358 (2020)]表明该对称性可保持RNN的自回归性质。通过研究从投影测量数据重构XY模型基态，我们表明对RNN施加U(1)对称性显著提高了学习效率，尤其在早期训练轮次（epoch）阶段。我们认为此性能提升可能源于所强加对称性缓解梯度消失与爆炸的趋势，这有助于稳定训练过程。因此，对称性强制RNN可能对需要优化与电路制备间快速反馈的量子模拟器应用（如经典-量子混合算法）尤为有用。
引用
@article{arxiv.2010.14514,
title = {U(1) symmetric recurrent neural networks for quantum state reconstruction},
author = {Stewart Morawetz and Isaac J. S. De Vlugt and Juan Carrasquilla and Roger G. Melko},
journal= {arXiv preprint arXiv:2010.14514},
year = {2021}
}
备注
10 pages, 8 figures