反非

QuPINNs：用于最佳反非绝热量子计算的物理信息神经网络

我们引入了一种新方法，利用物理信息神经网络 (PINN) 的优势来解决由 NQ 量子比特系统组成的量子电路优化中的反非绝热 (CD) 协议。主要目标是利用物理启发的深度学习技术来准确解决量子系统内不同物理可观测量的时间演化。为了实现这一目标，我们将必要的物理信息嵌入到底层神经网络中以有效地解决这个问题。具体来说，我们对所有物理可观测量施加了厄米性条件，并利用最小作用量原理，保证根据底层物理学获得最合适的反非绝热项。所提出的方法提供了一种可靠的替代方法来解决 CD 驱动问题，摆脱了以前依赖经典数值近似的方法中通常遇到的限制。我们的方法提供了一个通用框架，可以从与问题相关的物理可观测量中获得最佳结果，包括时间上的外部参数化（称为调度函数）、涉及非绝热项的规范势或算子，以及系统能级的时间演化等。该方法的主要应用是 H 2 和 LiH 分子，由采用 STO-3G 基础的 2 量子比特和 4 量子比特系统表示。所给出的结果证明了通过利用泡利算子的线性组合成功推导出非绝热项的理想分解。这一属性为其在量子计算算法中的实际实现带来了显著的优势。