机构名称：
¥ 1.0
量子状态断层扫描（QST）是中等规模量子设备中的一项具有挑战性的任务。在这里，我们将有条件的生成对抗网络（CGAN）应用于QST。在CGAN框架中，两个决斗神经网络，一个发电机和一个歧视者，从数据中学习多模式模型。我们使用自定义的神经网络层增强了CGAN，该层可将输出从任何标准的神经网络转换为物理密度矩阵。要重建密度矩阵，使用基于标准梯度的方法在数据上相互训练。我们证明，与同时加速基于投影的基于梯度和迭代的最大可能性估计相比，使用迭代步骤少的数量级和更少的数据，我们的QST-CGAN以高忠诚度重建光学量子状态。，我们还表明，如果在类似的量子状态下识别了QST-CGAN，则可以在发电机网络的单个评估中重建量子状态。
带有条件生成对抗网络（）
主要关键词
相关文件推荐
