.png){kind=icon}
返回
Optimal quantum likelihood estimation
.png){kind=icon}
OA
AI
DOI：10.1088/2058-9565/ae2b31.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
混合量子-经典算法是一种计算方案，其中使用量子电路提取信息，然后由经典程序处理该信息以指导后续量子操作。这类算法在噪声中等规模量子时代尤为有价值，因为此时量子资源受限且经典优化起着核心作用。在此，我们通过原理性、信息论优化改进了一种混合算法的性能。我们关注量子似然估计（QLE）——一种混合算法，其设计目的是通过基于测量结果和贝叶斯推断迭代更新权重分布，来识别支配量子系统的哈密顿量。尽管QLE已通过量子测量和贝叶斯推断实现收敛，但其效率会因每步参数选择的不同而差异显著。我们提出一种优化策略，动态选择每轮迭代的初始状态、测量基和演化时间，以最大化测量结果与真实哈密顿量之间的互信息。该方法建立在Te’eni等人（2024 arXiv:2409.15549）近期发展的信息论框架基础上，并利用互信息作为参数选择的引导代价函数。我们的实现采用模拟退火程序来最小化条件冯·诺依曼熵，从而最大化每次迭代的信息增益。结果表明，我们的优化版本显著减少了收敛所需的迭代次数，因此提出了一种加速量子系统中哈密顿量学习的实用方法。最后，我们提出一种通用方案，将我们的方法扩展以解决更广泛的量子学习问题。
期刊
IF:
5
论文数:
1.4K
被引数:
5.1K
机构
引用论文
Estimating entanglement entropy via variational quantum circuits with classical neural networks通过经典神经网络与变分量子电路估计纠缠熵
PREAI
分享收藏Mitigation of readout noise in near-term quantum devices by classical post-processing based on detector tomography.png)
QUANTUMOAAI
QUANTUMIF5.4
OAAI分享收藏
查看更多内容