【
儀表網(wǎng) 研發(fā)快訊】近日,上海交通大學(xué)電子信息與電氣工程學(xué)院約翰·霍普克羅夫特計算機科學(xué)中心吳亞東副教授與香港大學(xué)Giulio Chiribella教授課題組合作,提出了一種基于多任務(wù)學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)算法,利用相鄰量子比特的測量數(shù)據(jù)實現(xiàn)對量子態(tài)物理性質(zhì)的準(zhǔn)確預(yù)測。相關(guān)研究成果以“Learning quantum properties from short-range correlations using multi-task networks”(利用多任務(wù)神經(jīng)網(wǎng)絡(luò)從短程關(guān)聯(lián)中學(xué)習(xí)量子性質(zhì))為題發(fā)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(xué)朱巖博士為論文的共同第一作者,上海交通大學(xué)為論文的第一完成單位。本研究由國家自然科學(xué)基金青年項目資助。
研究背景
多體量子系統(tǒng)的實驗表征是量子信息與量子計算領(lǐng)域中的一項核心任務(wù)。神經(jīng)網(wǎng)絡(luò)為量子態(tài)的表征提供了強大的工具,能夠緊湊地表示復(fù)雜結(jié)構(gòu)的量子態(tài)。近年來,各類神經(jīng)網(wǎng)絡(luò)已被成功應(yīng)用于預(yù)測量子系統(tǒng)的多種性質(zhì),例如量子保真度、量子糾纏、量子關(guān)聯(lián)等,還能識別不同的物質(zhì)相。
表征多體量子系統(tǒng)的一個主要挑戰(zhàn)在于,隨著系統(tǒng)規(guī)模的擴大,所需的測量設(shè)置數(shù)量呈指數(shù)增長。隨機測量技術(shù)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(shè)置,從而提供了一種高效的量子態(tài)性質(zhì)預(yù)測方法。然而,對于具有局部相互作用的多體量子系統(tǒng),由于量子態(tài)具有特定結(jié)構(gòu),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(guān)聯(lián)(即只涉及少數(shù)相鄰粒子的關(guān)聯(lián))來表征量子態(tài)。基于短程關(guān)聯(lián)的技術(shù)已經(jīng)在量子態(tài)層析和糾纏檢測中得到了應(yīng)用。一個有前景的方向是利用神經(jīng)網(wǎng)絡(luò),通過短程關(guān)聯(lián)的采樣數(shù)據(jù),直接預(yù)測量子系統(tǒng)的全局量子性質(zhì)。
創(chuàng)新成果
圖1 多任務(wù)神經(jīng)網(wǎng)絡(luò)預(yù)測量子性質(zhì)的流程圖
本研究引入了一種基于多任務(wù)學(xué)習(xí)技術(shù)的神經(jīng)網(wǎng)絡(luò)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(shù)據(jù),預(yù)測具有常量關(guān)聯(lián)長度的多體量子態(tài)的多種量子性質(zhì)。與傳統(tǒng)的單任務(wù)學(xué)習(xí)相比,多任務(wù)學(xué)習(xí)的預(yù)測準(zhǔn)度更高。通過數(shù)值模擬,我們發(fā)現(xiàn)對于短程關(guān)聯(lián)量子態(tài),多任務(wù)神經(jīng)網(wǎng)絡(luò)模型可以通過短程關(guān)聯(lián)來預(yù)測全局性質(zhì)(如序參量),并能夠區(qū)分單任務(wù)網(wǎng)絡(luò)無法區(qū)分的量子相(參考圖2)。
圖2 鍵交替XXZ模型基態(tài)的表示的二維投影,以及對多體拓撲不變量的預(yù)測
本研究的神經(jīng)網(wǎng)絡(luò)模型的一個關(guān)鍵特性是其能夠生成量子態(tài)的潛在空間表示,這種表示可以整合多種物理性質(zhì)的不同信息。令人驚訝的是,這些量子態(tài)表示似乎還能捕捉到訓(xùn)練中未被標(biāo)記的物理性質(zhì)。這一特性使得模型能夠?qū)ξ锵噙M行無監(jiān)督的分類,不僅適用于分布內(nèi)的哈密頓量基態(tài),還可以泛化到分布外的量子態(tài),例如由隨機量子線路生成的量子態(tài)。模型還展示出從小規(guī)模量子系統(tǒng)泛化到大規(guī)模量子系統(tǒng)的能力,這使得它成為探索中等規(guī)模量子系統(tǒng)的有效工具。
圖3 本研究神經(jīng)網(wǎng)絡(luò)算法得到的量子態(tài)表示(左圖)與基于經(jīng)典陰影的核主成分分析得到的量子態(tài)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(guān)聯(lián)的隨機泡利測量,顯著減少了實驗中所需的測量設(shè)置數(shù)量。在可測的泡利集合受限的情況下,該研究的算法在區(qū)分量子物相上的表現(xiàn)優(yōu)于之前的方法(參考圖3)。
總結(jié)展望
推測多體系統(tǒng)的量子性質(zhì)既重要也富有挑戰(zhàn),而此項工作開發(fā)了一個神經(jīng)網(wǎng)絡(luò)模型通過短程測量來推測多體系統(tǒng)的量子性質(zhì),此模型運用了針對量子問題的多任務(wù)學(xué)習(xí)方法。
近年來,吳亞東副教授與合作者建立了以數(shù)據(jù)驅(qū)動方式表征量子系統(tǒng)的框架,開發(fā)了多個神經(jīng)網(wǎng)絡(luò)模型,通過少量隨機采樣的量子測量數(shù)據(jù)預(yù)測量子系統(tǒng)的多種物理性質(zhì),包括預(yù)測待測量的輸出分布,區(qū)分不同的量子物相,以及判斷量子態(tài)之間的相似度。相關(guān)工作有兩篇發(fā)表在綜合性期刊Nature Communications,一篇發(fā)表在物理學(xué)頂刊Physical Review Letters,并被Nature Computional Science評選為研究亮點。
所有評論僅代表網(wǎng)友意見,與本站立場無關(guān)。