机构名称：
¥ 1.0
相互作用的量子汉密尔顿量是量子计算的基础。时间无关的量子汉密尔顿量的基于数据的断层扫描已经实现，但一个开放的挑战是使用从一小部分自旋局部获取的时间序列测量来确定时间相关的量子汉密尔顿量的结构。物理上，自旋系统在时间相关驱动或扰动下的动态演化由海森堡运动方程描述。受这一基本事实的启发，我们阐明了一个物理增强的机器学习框架，其核心是海森堡神经网络。具体来说，我们根据基于海森堡方程的一些物理驱动损失函数开发了一种深度学习算法，该算法“强制”神经网络遵循自旋变量的量子演化。我们证明，从局部测量中，不仅可以恢复局部汉密尔顿量，而且还可以忠实地重建反映整个系统相互作用结构的汉密尔顿量。我们在各种结构的自旋系统上测试了我们的海森堡神经机。在仅从一次自旋进行测量的极端情况下，实现的断层扫描保真度值可以达到约 90%。开发的机器学习框架适用于任何时间相关系统，其量子动力学演化受海森堡运动方程控制。
利用机器学习对时间相关量子哈密顿量进行断层扫描
主要关键词
相关文件推荐
