在线观看精品国内_欧美午夜精品一区区电影_国产在线视频欧美_日韩精品视频秒播网站_日韩美欧国产在线视频

快速發布求購| | | | | 加微群|
關注我們
本站客戶服務

線上客服更便捷

儀表網官微

掃一掃關注我們

|
客戶端
儀表APP

安卓版

儀表手機版

手機訪問更快捷

儀表小程序

更多流量 更易傳播


您現在的位置:儀表網>分析檢測>資訊列表>上海交大吳亞東副教授發表關于量子機器學習的研究成果

上海交大吳亞東副教授發表關于量子機器學習的研究成果

2024年10月22日 10:36:35 人氣: 17785 來源: 上海交通大學
  【儀表網 研發快訊】近日,上海交通大學電子信息與電氣工程學院約翰·霍普克羅夫特計算機科學中心吳亞東副教授與香港大學Giulio Chiribella教授課題組合作,提出了一種基于多任務學習的神經網絡算法,利用相鄰量子比特的測量數據實現對量子態物理性質的準確預測。相關研究成果以“Learning quantum properties from short-range correlations using multi-task networks”(利用多任務神經網絡從短程關聯中學習量子性質)為題發表在國際頂級期刊Nature子刊《Nature Communications》(自然·通訊)。
 
  吳亞東副教授和香港大學朱巖博士為論文的共同第一作者,上海交通大學為論文的第一完成單位。本研究由國家自然科學基金青年項目資助。
 
640.png
研究背景
 
  多體量子系統的實驗表征是量子信息與量子計算領域中的一項核心任務。神經網絡為量子態的表征提供了強大的工具,能夠緊湊地表示復雜結構的量子態。近年來,各類神經網絡已被成功應用于預測量子系統的多種性質,例如量子保真度、量子糾纏、量子關聯等,還能識別不同的物質相。
 
  表征多體量子系統的一個主要挑戰在于,隨著系統規模的擴大,所需的測量設置數量呈指數增長。隨機測量技術通過從單粒子觀測量的乘積集合中隨機抽樣,減少了所需的測量設置,從而提供了一種高效的量子態性質預測方法。然而,對于具有局部相互作用的多體量子系統,由于量子態具有特定結構,可能只需從更少的測量中抽樣即可。這樣的抽樣方法可以僅基于短程關聯(即只涉及少數相鄰粒子的關聯)來表征量子態。基于短程關聯的技術已經在量子態層析和糾纏檢測中得到了應用。一個有前景的方向是利用神經網絡,通過短程關聯的采樣數據,直接預測量子系統的全局量子性質。
 
  創新成果
 
圖一.jpg
圖1 多任務神經網絡預測量子性質的流程圖
 
  本研究引入了一種基于多任務學習技術的神經網絡模型(參考圖1),該模型可以僅使用少量相鄰量子比特的測量數據,預測具有常量關聯長度的多體量子態的多種量子性質。與傳統的單任務學習相比,多任務學習的預測準度更高。通過數值模擬,我們發現對于短程關聯量子態,多任務神經網絡模型可以通過短程關聯來預測全局性質(如序參量),并能夠區分單任務網絡無法區分的量子相(參考圖2)。
 
圖二.jpg
圖2 鍵交替XXZ模型基態的表示的二維投影,以及對多體拓撲不變量的預測
 
  本研究的神經網絡模型的一個關鍵特性是其能夠生成量子態的潛在空間表示,這種表示可以整合多種物理性質的不同信息。令人驚訝的是,這些量子態表示似乎還能捕捉到訓練中未被標記的物理性質。這一特性使得模型能夠對物相進行無監督的分類,不僅適用于分布內的哈密頓量基態,還可以泛化到分布外的量子態,例如由隨機量子線路生成的量子態。模型還展示出從小規模量子系統泛化到大規模量子系統的能力,這使得它成為探索中等規模量子系統的有效工具。
 
圖三.jpg
  圖3 本研究神經網絡算法得到的量子態表示(左圖)與基于經典陰影的核主成分分析得到的量子態表示(右圖)的對比
 
  此方法不需要對所有量子比特進行隨機測量,而是僅采用探測短程關聯的隨機泡利測量,顯著減少了實驗中所需的測量設置數量。在可測的泡利集合受限的情況下,該研究的算法在區分量子物相上的表現優于之前的方法(參考圖3)。
 
  總結展望
 
  推測多體系統的量子性質既重要也富有挑戰,而此項工作開發了一個神經網絡模型通過短程測量來推測多體系統的量子性質,此模型運用了針對量子問題的多任務學習方法。
 
  近年來,吳亞東副教授與合作者建立了以數據驅動方式表征量子系統的框架,開發了多個神經網絡模型,通過少量隨機采樣的量子測量數據預測量子系統的多種物理性質,包括預測待測量的輸出分布,區分不同的量子物相,以及判斷量子態之間的相似度。相關工作有兩篇發表在綜合性期刊Nature Communications,一篇發表在物理學頂刊Physical Review Letters,并被Nature Computional Science評選為研究亮點。
關鍵詞: 量子機器學習
全年征稿/資訊合作 聯系郵箱:ybzhan@vip.qq.com
版權與免責聲明
1、凡本網注明"來源:儀表網"的所有作品,版權均屬于儀表網,未經本網授權不得轉載、摘編或利用其它方式使用上述作品。已經本網授權使用作品的,應在授權范圍內使用,并注明"來源:儀表網"。違反上述聲明者,本網將追究其相關法律責任。
2、本網轉載并注明自其它來源的作品,目的在于傳遞更多信息,并不代表本網贊同其觀點或證實其內容的真實性,不承擔此類作品侵權行為的直接責任及連帶責任。其他媒體、網站或個人從本網轉載時,必須保留本網注明的作品來源,并自負版權等法律責任。
3、如涉及作品內容、版權等問題,請在作品發表之日起一周內與本網聯系,否則視為放棄相關權利。
4、合作、投稿、轉載授權等相關事宜,請聯系本網。

企業推薦

更多
聯系我們

客服熱線: 0571-87759942

加盟熱線: 0571-87756399

媒體合作: 0571-87759945

投訴熱線: 0571-87759942

關注我們
  • 下載儀表站APP

  • Ybzhan手機版

  • Ybzhan公眾號

  • Ybzhan小程序