【儀表網 研發快訊】近日，上海交通大學電子信息與電氣工程學院約翰·霍普克羅夫特計算機科學中心吳亞東副教授與香港大學Giulio Chiribella教授課題組合作，提出了一種基于多任務學習的神經網絡算法，利用相鄰量子比特的測量數據實現對量子態物理性質的準確預測。相關研究成果以“Learning quantum properties from short-range correlations using multi-task networks”(利用多任務神經網絡從短程關聯中學習量子性質)為題發表在國際頂級期刊Nature子刊《Nature Communications》(自然·通訊)。
吳亞東副教授和香港大學朱巖博士為論文的共同第一作者，上海交通大學為論文的第一完成單位。本研究由國家自然科學基金青年項目資助。
研究背景
多體量子系統的實驗表征是量子信息與量子計算領域中的一項核心任務。神經網絡為量子態的表征提供了強大的工具，能夠緊湊地表示復雜結構的量子態。近年來，各類神經網絡已被成功應用于預測量子系統的多種性質，例如量子保真度、量子糾纏、量子關聯等，還能識別不同的物質相。
表征多體量子系統的一個主要挑戰在于，隨著系統規模的擴大，所需的測量設置數量呈指數增長。隨機測量技術通過從單粒子觀測量的乘積集合中隨機抽樣，減少了所需的測量設置，從而提供了一種高效的量子態性質預測方法。然而，對于具有局部相互作用的多體量子系統，由于量子態具有特定結構，可能只需從更少的測量中抽樣即可。這樣的抽樣方法可以僅基于短程關聯(即只涉及少數相鄰粒子的關聯)來表征量子態。基于短程關聯的技術已經在量子態層析和糾纏檢測中得到了應用。一個有前景的方向是利用神經網絡，通過短程關聯的采樣數據，直接預測量子系統的全局量子性質。
創新成果
圖1 多任務神經網絡預測量子性質的流程圖
本研究引入了一種基于多任務學習技術的神經網絡模型(參考圖1)，該模型可以僅使用少量相鄰量子比特的測量數據，預測具有常量關聯長度的多體量子態的多種量子性質。與傳統的單任務學習相比，多任務學習的預測準度更高。通過數值模擬，我們發現對于短程關聯量子態，多任務神經網絡模型可以通過短程關聯來預測全局性質(如序參量)，并能夠區分單任務網絡無法區分的量子相(參考圖2)。
圖2 鍵交替XXZ模型基態的表示的二維投影，以及對多體拓撲不變量的預測
本研究的神經網絡模型的一個關鍵特性是其能夠生成量子態的潛在空間表示，這種表示可以整合多種物理性質的不同信息。令人驚訝的是，這些量子態表示似乎還能捕捉到訓練中未被標記的物理性質。這一特性使得模型能夠對物相進行無監督的分類，不僅適用于分布內的哈密頓量基態，還可以泛化到分布外的量子態，例如由隨機量子線路生成的量子態。模型還展示出從小規模量子系統泛化到大規模量子系統的能力，這使得它成為探索中等規模量子系統的有效工具。
圖3 本研究神經網絡算法得到的量子態表示(左圖)與基于經典陰影的核主成分分析得到的量子態表示(右圖)的對比
此方法不需要對所有量子比特進行隨機測量，而是僅采用探測短程關聯的隨機泡利測量，顯著減少了實驗中所需的測量設置數量。在可測的泡利集合受限的情況下，該研究的算法在區分量子物相上的表現優于之前的方法(參考圖3)。
總結展望
推測多體系統的量子性質既重要也富有挑戰，而此項工作開發了一個神經網絡模型通過短程測量來推測多體系統的量子性質，此模型運用了針對量子問題的多任務學習方法。
近年來，吳亞東副教授與合作者建立了以數據驅動方式表征量子系統的框架，開發了多個神經網絡模型，通過少量隨機采樣的量子測量數據預測量子系統的多種物理性質，包括預測待測量的輸出分布，區分不同的量子物相，以及判斷量子態之間的相似度。相關工作有兩篇發表在綜合性期刊Nature Communications，一篇發表在物理學頂刊Physical Review Letters，并被Nature Computional Science評選為研究亮點。
所有評論僅代表網友意見，與本站立場無關。