Aug, 2023

量子态重构的量子机器学习方法

PDF
TL;DR我们提出将量子机器学习技术与量子态测量 (QST) 相结合，以提高 QST 的效率，通过综合研究了 QST 的多种方法，并实现了不同的量子机器学习方法，并在各种模拟和实验量子系统上展示了其有效性，包括多量子比特网络，结果表明，我们基于量子机器学习的 QST 方法可以以较少的测量次数实现高保真度 (98%)，为实际量子信息处理应用提供了有希望的工具。
发现论文，激发创造
  • 学习量子态重建的信息化潜变量表示

    我们提出了一种基于变压器的自编码器架构，针对含有不完美测量数据的量子态重构问题进行了优化，通过提取信息丰富的潜在表示来预测量子态。通过在预训练中使用重构高质量频率的预设任务，我们的方法在量子态重构中表现出了显著的能力。

    Sep, 2023

  • 利用神经网络进行自适应量子态重构

    本文提出 ‘ NA-QST’ 算法，使用机器学习、粒子群优化和贝叶斯粒子滤波方法，降低了从 O（poly（n））到 O（log（n））的复杂度，使量子态重构的速度快了数百万倍，精度不受影响。同时讨论了在各类射影测量值的情况下的适应性。

    Dec, 2018

  • 量子多体系统的高效成像

    本文介绍了一种新的多体量子系统特征提取技术 Matrix Product State tomography，它可以使用有效的方法来准确地估计一个广泛类别的量子系统状态，这对于研究大量子体系和验证量子仿真器和计算机非常有用。

    Dec, 2016

  • 高效量子态重构

    通过矩阵乘积态假设，提出了两种在一维量子系统中进行量子状态重构的方案，一种方案需要对恒定数量的子系统进行幺正操作，而另一种方案只需要进行局部测量及更复杂的后处理，两种方案仅依赖于线性数量的实验操作和多项式级别的经典后处理，可以无需任何先验假设地严格证明重构状态的准确性。

    Jan, 2011

  • 实验性神经网络增强量子测量

    通过训练神经网络来减少 SPAM 错误，可以提高量子态重建的保真度。

    Apr, 2019

  • 量子状态的实验机器学习

    本研究通过机器学习方法，实验性地构造了一个量子态分类器，能够识别量子态可分离性，此方法能有效地学习和分类量子态，并不需要获取完整的量子态信息。同时本研究表明，通过添加神经网络的隐藏层，可以显著提高状态分类器的性能。这些成果为解决如何在有限的资源下实现量子态分类提供了新的思路，并代表了机器学习在量子信息处理领域的应用进展。

    Dec, 2017

  • 基于注意力机制的 Transformer 网络用于量子态重构

    通过利用 Transformer 模型来捕捉不同测量结果之间的相关性，本研究提出了一种基于注意力机制的量子状态重构方法，能够高效地恢复纯态和混合态的密度矩阵。

    May, 2023

  • 量子状态的可学习性

    利用计算学习理论，本文证明：对于大多数实际目的，传统的量子态重构只需测量数量呈线性增长关系，而非指数函数关系；同时，该定理可应用于量子计算的模拟和验证领域。

    Aug, 2006

  • 量子态重构的投影梯度下降算法

    本研究使用投影梯度下降法提出了三种新的量子态重构算法，并将它们与现有的算法进行了比较，结果表明投影梯度下降法适用于大规模复杂状态的重构，速度快且表现优异。

    Dec, 2016

  • 固态量子比特的量子过程重构和林布拉德估计

    以钻石中的氮 - 空位缺陷的三重态能级作为单个固态量子比特，进行了量子过程重构的实例研究。在不同的失相时间内，分别用卡希矩阵和仿射映射表示，提取出系统的误差产生算子，比较实验估计的量子过程矩阵与最接近的物理有效矩阵之间的偏差。

    Jan, 2006