学习神经量子态的几何学
研究了利用人工神经网络作为通用变分波函数描述强相互作用量子系统的表现,特别是对于方格上的自旋模型,提出了使用由两个解耦实值网络组成的近似形式,并采用具体的缓解策略克服了固有的数值不稳定性。
Nov, 2020
本文开发了一个不可能定理,证明了使用量子神经网络(QNNs)从高保真度的初始状态开始,学习未知量子态的概率随比特数指数级下降,而与电路深度多项式增长,从而对改善 QNNs 的可学习性和可扩展性的好的初始猜测和自适应方法提出了普遍限制,并深化了先验信息在 QNNs 中的作用的理解。
Sep, 2023
本文探讨了神经网络状态量子纠缠特性对量子多体物理的应用,重点研究了限制玻尔兹曼机的量子纠缠特性,并证明了其短距离状态满足任意维度和二元分区几何的面积律,并能高效表示大规模量子纠缠态。此外,文章还研究了具有随机权重参数的泛型 RBM 状态,并证明了其量子纠缠熵满足体积律缩放,并且具有泊松型能级统计规律。最后,文章将所得结论运用到了量子多体物理问题中,证明了神经网络代表的 RBM 状态可以高效地表示量子纠缠态,并能用于计算量子多体系统的基态和纠缠谱问题。
Jan, 2017
使用神经网络量子态精确计算二维时空中 Z_N 格点规范理论的基态,并通过转移学习研究其拓扑相和限制相变。在 Z_2 和 Z_3 情况下,分别发现了连续相变和弱一级相变,并计算了临界指数和临界耦合,表明神经网络量子态在格点规范理论研究中有很大潜力。
May, 2024
本研究针对机器学习在与近期量子设备设计、验证甚至混合的潜力进行了探讨,其中一个核心问题是神经网络是否能够提供量子状态的可处理表示。通过基于受限玻尔兹曼机的密度矩阵参数化,本方法能够较好地应用于混合状态的编码,可用于无监督任务的生成建模和状态测量等诸多方面。通过数值实现并应用于一些典型的纠缠光子状态,达到了与标准技术相当的保真度。
Jan, 2018
本研究提出了一个新的用于计算量子多体基态性质的优化框架,该方法通过基于 Langevin 动力学的梯度分数进行抽样,避免了显式概率分布,采用加权分数匹配目标引导模型正确收敛到基态,测例表明其能准确地学习原子系统的基态,并为量子系统的更高效表示铺平了道路。
May, 2023
本文介绍了一种用神经网络方法确定开放式量子晶格系统稳态的通用变分方法,以纯化的神经网络假设在带有辅助自由度的扩展希尔伯特空间中构建了格子系统的稳态密度矩阵。使用马尔科夫链蒙特卡罗采样可以执行与主方程相关的代价函数的变分最小化。作为第一个应用和原理证明,我们将该方法应用于耗散性量子横向伊辛模型。
Feb, 2019
本研究提出了一种基于量子电路学习的算法,可以利用本地门和量子位连接等量子硬件能力来协助量子设备的表征,并训练浅层电路进行生成式任务。此方法可以学习绿伯格 - 霍恩 - 泽林格(Greenberger-Horne-Zeilinger)状态的最佳制备方法,也可以有效地制备连续热态的近似表示,其波函数在其幅度中编码玻尔兹曼概率。最后,研究提供了一种新的硬件无关指标,称为 qBAS 得分,可用于衡量近期量子设备的性能。
Jan, 2018
本文提出了一种基于神经网络量子态的新型变分方案来模拟开放量子多体系统的静态态。我们使用受限玻尔兹曼机器描述的高表现力变分方案,称之为神经静态态方案,计算服从 Lindblad 主方程的量子动力学的静态态。将静态状态搜索问题映射为寻找相应的 Hermitian 运算符的零能量基态,可以应用传统的变分蒙特卡罗方法进行优化。我们的方法被证明能有效地模拟各种自旋系统,即在一维和二维中的横场伊辛模型和一维中的 XYZ 模型。
Feb, 2019
本研究提出了一种基于机器学习技术的有效模拟量子多体系统动力学的方法,使用受限玻尔兹曼机表示混合多体量子态,并导出一个指向时间演化和稳态的变分蒙特卡洛算法,通过针对耗散自旋晶格系统的数值实例验证了该方法的准确性。
Feb, 2019