ShadowNet for Data-Centric Quantum System Learning

Yuxuan Du

doi:10.1109/tpami.2026.3724021

ShadowNet for Data-Centric Quantum System Learning

2026-08-14

0

PRE

AI

Tongliang Liu (Tongliang Liu)

DOI：10.1109/tpami.2026.3724021

原文链接

原文求助

摘要

En 中文

理解大尺度量子系统的动力学受到维度灾难的阻碍。统计学习通过神经网络协议和经典影子在此领域提供了新的可能性，但两种方法均存在局限：前者因不兼容的数据集构建规则导致处理不同任务时数据收集计算需求巨大；后者缺乏从先前数据中提取知识以增强后续学习的能力。本研究提出了一种数据为中心的学习范式，结合这两种方法的优势以推进量子系统学习（QSL）。该范式的核心是一种统一的、基于经典影子及量子系统易获取信息的通用数据集构建规则。为展示该方法，我们提出了ShadowNet，在卷积和注意力机制下实现，高效且忠实地解决两项关键QSL任务：量子态层析（QST）和直接保真度估计（DFE）。对多达60个量子比特的QST和DFE的数值模拟验证了该方案的有效性，展示了ShadowNet如何改进有限状态副本的经典影子，并突显了不同神经网络对性能的影响。本研究强调了数据为中心方法在理解新颖且大尺度量子系统中的巨大潜力。

Keyword:

Quantum system learning

Quantum tomography

Fidelity estimation

AI for quantum science

ShadowNet for Data-Centric Quantum System Learning

摘要

期刊

机构

引用论文