Sep, 2023

学习量子态重建的信息化潜变量表示

PDF
TL;DR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。
quantum state tomographydensity matrixdeep learningtransformer-based autoencoderimperfect measurement data
发现论文，激发创造
  • 量子态重构的量子机器学习方法

    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。

    Aug, 2023

  • 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

  • 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

  • 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

  • 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

  • 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

  • 神经密度算子的潜空间净化

    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

  • 压缩感知量子态重构

    本论文基于压缩感知建立了量子态重构的方法，该方法仅需使用 Pauli 测量、快速的凸优化，稳健抗噪，适用于仅近似低秩的系统。在没有先验假设下，重构出的状态接近纯态。

    Sep, 2009

  • 小型量子态的可解释表示学习

    本研究提出了一种自我学习的方法，使用无人干预的生成式模型来描述量子状态，通过研究该模型学习到的内在表示方式及其对量子态的理解，我们证明该方法具有实现可解释机器学习量子态的潜力，且能够进行自主学习，并为机器学习如何自我学习小规模量子系统提供了见解。

    Jun, 2023

  • 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