.png){kind=icon}
返回
Attention to quantum complexity
.png){kind=icon}
PRE
AI
DOI：10.1126/sciadv.adu0059.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
即将到来的纠错量子计算时代需要鲁棒的方法来表征从有限、噪声测量中获得的量子态复杂性。我们引入了量子注意力网络（QuAN），一种利用为学习量子复杂性而设计的注意力机制的经典人工智能（AI）框架。受大型语言模型的启发，QuAN将测量快照视为标记，同时尊重排列不变性。结合我们参数高效的微集自注意力块，这使得QuAN能够获取比特串分布的高阶矩，并优先关注噪声较小的快照。我们在三种量子模拟设置中测试了QuAN：受驱动硬核玻色子Hubbard模型、随机量子电路以及在线性噪声和非线性噪声下工作的网格码。QuAN直接从实验计算基测量中学习纠缠和状态复杂性的增长，包括从噪声数据中学习随机电路的复杂性增长。在现有理论无法触及的领域中，QuAN揭示了噪声网格码数据的完整相图，该相图是两种噪声类型的函数，突显了AI在辅助量子硬件方面的变革性潜力。
期刊
IF:
12.5
论文数:
2.1W
被引数:
18.1W
机构
引用论文
Diagnostics of Mixed-State Topological Order and Breakdown of Quantum Memory量子存储器的混合态拓扑顺序和击穿的诊断.png)
PRX QUANTUM
OAAI
PRX QUANTUMIF11
OAAI分享收藏B. D. S. L. Torres, E. Martín-Martínez, Toward a physically motivated notion of Gaussian complexity geometry. Phys. Rev. D 110, 025006 (2024).B. D. S. L. Torres, E. Martín-Martínez, 朝向一种基于物理动因的高斯复杂度几何概念。Phys. Rev. D 110, 025006 (2024).
IF0
PREAI
分享收藏
分享收藏
查看更多内容