.png){kind=icon}
返回
The RydbergGPT
.png){kind=icon}
PRE
AI
DOI：10.1088/2632-2153/ae1d0b.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们介绍了一种生成式预训练Transformer（GPT），旨在学习中性原子阵列量子计算机的测量结果。基于基础的Transformer模型，我们的编码器-解码器架构以相互作用哈密顿量为输入，输出一个自回归的量子比特测量概率序列。其性能在方形晶格阵列中里德堡原子的量子相变附近进行了研究。我们通过展示该模型能够准确预测训练数据中未包含的哈密顿参数值的基态测量结果，来探索其泛化能力。我们评估了三种模型变体，每种模型均在单台NVIDIA A100 GPU上固定训练时长，通过考察其对关键物理可观测量预测来评估。这些结果为扩展更大的RydbergGPT模型建立了性能基准。这些基准可以作为未来扩展更大RydbergGPT模型的参考。最后，我们发布RydbergGPT作为开源软件，以促进为多样化的量子计算平台和数据集开发基础模型。
Keyword:
machine learning
quantum computing
neutral atom arrays
Rydberg atoms
generative pretrained transformer
machine learning in physics
期刊
M
IF:
4.6
论文数:
1.1K
被引数:
3.4K
机构
引用论文
Neural network representation for minimally entangled typical thermal states.png)
PHYSICAL REVIEW B
OAAI
PHYSICAL REVIEW BIF3.7
OAAI分享收藏Quenches near Ising quantum criticality as a challenge for artificial neural networksPHYSICAL REVIEW B
OAAI
PHYSICAL REVIEW BIF3.7
OAAI分享收藏Dipole Blockade and Quantum Information Processing in Mesoscopic Atomic Ensembles偶极阻塞与介观原子系综中的量子信息处理
PREAI
分享收藏
查看更多内容