.png){kind=icon}
返回
Machine learns quantum complexity
.png){kind=icon}
PRE
AI
DOI：10.1007/s40042-025-01529-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们研究了基于深度学习算法的机器如何学习量子系统中具有NxN高斯酉系综随机哈密顿量的Krylov扩展复杂性。使用热场双重态作为初始条件，我们证明基于卷积神经网络的算法成功地学习到了所有时间尺度上的Krylov扩展复杂性，包括晚期平台区域，其中状态几乎呈现无特征且随机。性能强烈依赖于基的选择，在能量本征基或Krylov基上表现良好，但在随机哈密顿量的原始基上失效。该算法还能有效区分热场双重态的温度依赖特征。此外，我们展示了由深度学习预测的状态系统时间变量是一个无关的量，这进一步证实了Krylov扩展复杂性能够很好地捕捉量子状态的关键特征，即使在晚期阶段也是如此。
Keyword:
Quantum complexity
Matrix model
Deep learning
期刊
J
IF:
0.9
论文数:
254
被引数:
4.0K
机构
引用论文
.png){kind=icon}
分享收藏分享收藏
分享收藏分享收藏分享收藏分享收藏分享收藏分享收藏分享收藏
查看更多内容