追求增强神经网络的鉴定能力,创建包含各种样本的数据集是一个长期的目标。目的是拓宽神经网络的视野,并不断努力提高预测准确性训练过程,这是最终的评估指标。在本文中,我们通过利用神经网络的知识失明来探索一个有趣的途径,以增强算法有效性。我们的方法围绕用于在半导体双量子点系统中准备任意量子状态的机器学习算法,该系统由高度约束的控制自由度特征。通过利用神经网络产生的随机预测,我们能够指导优化过程以逃避局部优势。值得注意的是,与以前采用强化学习识别脉冲模式的方法不同,我们采用类似于监督学习的训练方法,最终使用它来动态设计脉冲序列。这种方法不仅简化了学习过程,而且还限制了神经网络的大小,从而提高了算法的效率。
主要关键词
![arxiv:2307.14715v1 [Quant-ph] 27 Jul 2023PDF文件第1页](/bimg/7/713d9fff32e7ec35409c7c645c83d34b09a288cf.webp)
![arxiv:2307.14715v1 [Quant-ph] 27 Jul 2023PDF文件第2页](/bimg/f/f8029e647502c2ff98236340c79fe28163c5407d.webp)
![arxiv:2307.14715v1 [Quant-ph] 27 Jul 2023PDF文件第3页](/bimg/9/904b9f9db19eb67e895484c53be2dc74efc47d60.webp)
![arxiv:2307.14715v1 [Quant-ph] 27 Jul 2023PDF文件第4页](/bimg/1/1a264b7cf8bf5c4097ddeecbdf8d21ddc27f5f62.webp)
![arxiv:2307.14715v1 [Quant-ph] 27 Jul 2023PDF文件第5页](/bimg/1/1f052a3102545ac54734f0bd668dbe9020cac137.webp)
