机构名称：
¥ 1.0
摘要：有能力找到任意复杂的对称性，机器学习（ML）增强量子状态层析成像（QST）的最佳拟合，已经证明了其在提取有关量子状态的完整信息方面的优势。我们通过直接生成目标参数来开发高性能，轻巧且易于安装的监督特征模型，而不是在训练截短的密度矩阵中使用重建模型。这样的基于特征模型的ML-QST可以避免处理大型希尔伯特空间的问题，但是CAB将特征提取高精度提取，从而捕获数据中的基础对称性。使用从平衡同源探测器生成的实验测量数据，我们比较了有关重建和特征模型预测的量子噪声挤压状态的退化信息；两者都与从协方差法获得的经验拟合曲线一致。具有直接参数估计的这种ML-QST说明了一个至关重要的诊断工具箱，用于使用挤压状态的应用，从量子信息过程，量子计量学，高级重力波检测器到宏观量子状态生成。
来自机器学习的直接参数估计 -
主要关键词
相关文件推荐
