机器学习在量子科学领域取得了重大突破,其中深度神经网络在量子多体系统建模方面表现出非凡的能力。在这里,我们探讨了数据驱动的深度神经网络在学习物理可观测量动态方面的能力与量子信息的扰乱之间的关系。我们训练一个神经网络,以找到从模型参数到随机量子电路中可观测量演化的映射,适用于各种量子扰乱模式,并测试其在将其应用于看不见的电路时的泛化和外推能力。我们的结果表明,一种特定类型的循环神经网络在系统大小和时间窗口内对其预测进行泛化方面非常强大,无论是局部还是扰乱模式。这些模式包括传统学习方法在从全波函数表示中采样时失败的模式。此外,对于显示本地化的模型,所考虑的神经网络成功地将其预测推断出超出了它所训练的时间窗口和系统大小的范围,但不是在混乱的状态中。
主要关键词
![arXiv:2302.04621v1 [quant-ph] 2023 年 2 月 9 日PDF文件第1页](/bimg/f/f7c8af6e531c22ea59cfb416d66346bd63654dcd.webp)
![arXiv:2302.04621v1 [quant-ph] 2023 年 2 月 9 日PDF文件第2页](/bimg/7/7b4630622447fe895fc00f4b4be481936ab04058.webp)
![arXiv:2302.04621v1 [quant-ph] 2023 年 2 月 9 日PDF文件第3页](/bimg/3/336e99d028d10f78afe91afbe5757b9b57b2ca8d.webp)
![arXiv:2302.04621v1 [quant-ph] 2023 年 2 月 9 日PDF文件第4页](/bimg/9/92c1fbd8efbc1ad84c2adec64f9cabec1af878b9.webp)
![arXiv:2302.04621v1 [quant-ph] 2023 年 2 月 9 日PDF文件第5页](/bimg/c/c78ffb7818220ce4297bc38833d407ec72765fb9.webp)
