神经网络通过测量数据刻画量子系统

本文探讨了神经网络在量子系统表征中的应用。文章首先介绍了量子系统的复杂性及其表征的挑战，特别是随着量子比特数的增加，传统方法如量子态层析变得不切实际。神经网络作为一种强大的工具，能够紧凑地表示复杂结构的量子态，并已被成功应用于量子态层析和预测量子系统的多种物理性质。文章进一步介绍了随机测量作为一种高效手段，通过随机选择不同的测量“视角”来表征量子系统。此外，文章还提出了多任务神经网络算法，通过短程关联预测量子系统的全局特性，显著减少了实验中所需的测量设置数量。最后，文章展望了未来利用机器学习工具实现更高效的量子系统表征与刻画，并推动量子信息科学与机器学习之间的学科交叉发展。