量子多体系统相关 AI 资讯 · AI 热点

7月8日

11:50

11:50

官方账号arXiv cs.LG@Rahul Bandyopadhyay, Riccardo Molteni, Jens Eisert, Vedran Dunjko, Sofiene Jerbi

该研究从PAC学习角度研究量子多体动力学可学习性。他们设计了一个监督学习任务：训练集包含随机稳定子探针态、均匀采样自[0,T]的演化时间以及特定可观测量期望值。量子算法通过短时训练样本学习未知哈密顿量，并结合哈密顿量模拟与经典阴影协议进行推理。通过将BQP完全计算嵌入Feynman-Kitaev时钟哈密顿量的长时间动力学，他们证明除非BQP⊆P/poly，否则没有经典多项式时间算法能完成该任务。同时经典困难实例仍保持量子可学习性。

论文量子多体系统学习分离 PAC学习 BQP 量子机器学习

推荐理由：这篇论文给量子机器学习找了个硬核任务：预测多体系统时间演化，量子算法能学，经典学不了，除非BQP进P/poly。理论结果很扎实。

5月14日

13:26

13:26

官方账号arXiv cs.LG@Ejaaz Merali, Mohamed Hibat-Allah, Mohammad Kohandel, Richard T. Scalettar, Ehsan Khatami

精选

该研究提出并行扫描递归神经网络量子态（PSR-NQS），利用现代递归架构和并行化递归技术，克服了传统递归神经网络量子态在可扩展性上的局限。PSR-NQS 可在变分蒙特卡洛框架中高效训练，在一维和二维空间均取得准确基准结果。通过迭代再训练，该方法成功模拟了 52×52 的二维自旋晶格，与现有量子蒙特卡洛数据一致。这项工作表明递归架构能以较低计算资源实现可扩展的神经量子态模拟。

论文量子多体系统递归神经网络变分蒙特卡洛并行扫描可扩展模拟

推荐理由：量子多体模拟研究者终于有了一个计算资源友好、可扩展的递归架构方案——PSR-NQS 在 52×52 晶格上验证了精度，做变分蒙特卡洛的团队可以直接参考实现。