量子态的实验机器学习外文翻译资料
2022-08-28 13:50:04
英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料
量子态的实验机器学习
量子信息技术在通信和计算领域具有广阔的应用前景，而机器学习已经成为提取“大数据”中极具价值结构的强大技术支撑。量子信息和机器学习的交叉象征着一个新的跨学科领域，促进了这两个领域的进步。从传统意义上讲，当量子态规模扩大时，一个量子态层析成像的特征，是一个资源消耗的过程。这里，我们通过实验证明了一种机器学习方法来建构一个量子的分类器为了识别量子态的可分离性。实验结果表明，在不需要获取量子态全部信息的情况下，通过实验训练人工神经网络中添加一层隐藏的神经元可以显著提高量子态分类器的性能。这些研究成果为如何在有限的资源下实现量子态分类提供了新思路，并代表着向基于机器学习的量子信息处理应用研究又迈近了一步。
人工智能和量子物理是上世纪发展起来的两个截然不同但又影响深远的学科。近年来，它们在数据科学方面的结合引起了学术界的高度关注，形成了量子机器学习这个新兴领域。利用量子态的叠加性，量子机器学习有望通过量子并行解决目前机器学习中数据量大，训练过程慢的困难，并有望从量子物理的角度提出新的学习模型，目前该领域的研究还处于探索阶段，涵盖内容虽然广泛，但还缺乏系统的梳理。
经过几十年的改进，人工神经网络和机器学习现在已经进入了一个新的时代，在科学、工业和技术的许多领域，应用将会爆炸。人工智能的一个雄心勃勃的目标是建造一台性能超过人类智能的机器，即使提供的知识和数据有限。强化学习（RL）为实现这上目标提供了一种可能性。在这项工作中，我们考虑了量子物理的具体任务。一维自旋链中的量子态转移。机器的任务是找到传输速度最快的方案，同时保持高传输可靠性。我们考虑的第一种情况是当哈密顿量与时间无关时。我们通过最小化依赖于保真度和速度的损失函数来更新耦合强度。在第二个场景中，引入了一个依赖于时间的外部场，我们将状态转移过程转换为一个机器可以理解的马尔可夫决策过程。该机器成功地找到了高可靠性和高速度的传输方案，比以前书籍的传输方案更快。这些结果表明，强化学习是解决量子控制问题的有力工具。
随着量子技术的出现，以量子态形式出现的量子数据异常检测可能成为量子应用的重要组成部分。机器学习算法在利用经典数据进行异常检测中起着至关重要的作用。常用的两种算法是主成分分析算法和单类支持向量机算法。我们找到了相应的量子算法来检测量子态中的异常。我们证明这两种量子算法可以使用量子态维数为对数的资源来实现。对于纯量子态，这些资源也可以是用于训练机器学习算法的量子态数量的对数。这使得这些算法可能适用于大量子数据应用。
机器学习是人工智能和大数据科学的核心，是当今发展最迅速的交叉领域之一。近年来，机器学习工具和技术被用来解决复杂的量子多体问题。我们的研究结果在基于计算科学的机器学习和量子多体非局域性之间建立了一座新的桥梁，这将有利于这两个领域的未来研究。在量子系统之间高效准确地传递信息的能力是量子计算和模拟可扩展性的关键。量子态转移可以应用于量子中，对于包括捕获离子、冷原子、量子点、超导导管和给体量子位、NMR、光子系统等在内的多种实验平台都是必不可少的。
在过去的几年里，通过量子信息与现代信息处理技术相结合，使得量子机器学习这一新兴领域取得了重大进展。一方面，各种现代量子技术，如量子通信、量子计算、量子计量学等，都是利用量子纠缠作为一种资源进行预测的现代技术，已经被证实是人工智能领域中最成功的成就之一。最经典的例子包括无人驾驶汽车和著名的阿尔法狗，它在围棋比赛中超越了围棋冠军。
量子机器学习的关键在于如何开发新思路将机器学习技术应用研究到量子信息上，或从另一方面讲，如何使这两个领域都取得进步。事实上，研究人员已经采用了几个有前途的方案，其中机器学习能够利用量子叠加在提高其性能方面的作用显得尤为突出。例如，量子译本提出了关于组件分析原理和支持向量机。近年来，其他量子算法通过实验现象也被证实可以扩大机器学习的通用性。
此外，机器学习也可以应用于某些量子任务，从量子态的可分离性进行分类到凝聚艳情物理中的分类阶段，甚至开发了用于计算多个体系的新经典算法。这些结果表明，量子态机器学习为解决量子信息科学中的问题提供了一个新的平台。
我们在此对一个量子态的实验机器学习进行分析，通过训练一个人工神经网络来对量子态的可分离性进行分类，假设只有一部分信息是量子态可获得的。更加具体地说，在实验数据基础上，我们构建了量子态分离器，它概括了量子数据学习理论中的模式识别。在经典设计中，一个指令{xi; yi }中的数据xi的数据yi被标记为机器学习程序中的一个训练指令，这种输出是用于预测新数据标签的分类器（一个函数或者是一个程序）。在量子指令中，数据 xi可以用密度矩阵rho;i替代，生成相应的地址用于量子物理中，比如其可分离性。然而，量子态的大小随着尺度的增大呈指数形式增长，这使得大规模的量子态，层析成像难以进行。同时，量子态分类的工作不需要密度矩阵的完整信息。这激发了我们利用量子态部分信息学习的可能性。
为了说明问题，我们考虑了一个模型（详见补充材料A），它以一个类Werner集群态来进行训练和测试。可分性的标签是由使用积极的集团标准的所决定，它仅应用于训练，而不应用于测试。实验上，我们首先提出线性最优化的CHSH不等式，这可以显著提高最优化CHSH不等式的准确度来检测确定可分离性量子态的一对量子位。虽然这离完美还很遥远，但测试阶段的结果纠缠度方面超过了传统的CHSH不等式。第二部分，我们进一步为神经网络设置了一个神经元隐藏层，使其成为一个非线性模型。我们比较了两种神经网络的性能，发现含有隐藏层的神经网络能更显著的提高分类器的匹配率，使分类器的匹配率接近统一。实验结果与我们推测一致，即包含隐藏层的能够被看成是多重的线性类CHSH不等式的最优化。最终，我们发现如果用理论值训练分类器来代替实验值测试分类器，那么性能就会下降，这表明构建用于测试实验数据的分类器需要经过神经网络的专门训练。
有悖CHSH不等式意味着量子态是纠缠的。然而，事实并非如此；不违反CHSH不等式的量子纠缠也是存在的。（见补充资料B）。我们能够跟随CHSH算子Pi;ml构建一个线性态分类器Pi;ml equiv; w1a0b0 w2a0b0rsquo; w3a0rsquo;b0 w4a0rsquo;b0rsquo; w0其中包含一组参数{w0,w1,w2,w3,w4}以独立的态的形式被告最优化的。对于原始的CHSH不等式，非优化的值是{1，-1，1，1，-2}。这里，测量值由a0=sigma;z, a0rsquo;=sigma;x ,b0=(sigma;z sigma;x)/,
和b0rsquo;=(sigma;z-sigma;x)/给出。此外，如图1.（a）所示，每次我们只输入4个观测值到ANN中（或者说机器学习语言中的“特征”）{lt;a0b0gt;,lt;a0b0rsquo;gt;,lt;a0rsquo;b0gt;,lt;a0rsquo;b0rsquo;gt;}，而不是16个观测值在量子态层析成像中。
偏置输入
偏置输入
神经元
神经元
纠缠的或可分离
纠缠的或可分离
隐藏层
神经元
输出层
输入层
输出层
输入层
图1：基于ANN的量子状态分类器。（a）线性ANN优化新的权重系数{omega;i}与4个可观测的作为输入特性{lt;a0b0gt;,lt;a0b0rsquo;gt;,lt;a0rsquo;b0gt;,lt;a0rsquo;b0rsquo;gt;}。（b）带有隐藏层的ANN。为了进一步提高分类器的性能，我们插入了一个额外的隐藏层，其中每个神经元对输入特征进行非线性函数处理。
为了进一步提高分类器的性能，我们将输入层连接到隐藏层，如图1.（b）所示。此外，测量值不再局限于x-z面。输入微量仍然由4个观测值，表示为0。然后，通过隐藏层中每一个非线性关系的神经元构建一个中间向量1，1=sigma;RL（W10 01）,此处，sigma;RL是线性整流函数。通过学习过程对矩阵W1和向量01进行一致初始化和优化。然后下一步去优化下一个函数sigma;s（W21 02）,（3）此处，sigma;s=1/（1 ）是S型函数。这里可以通过改变隐藏层中神经元的数据（表示为nne）来获得最优的性能。
接着，我们得到了构造量子态分类器的实验结果，实验装置如图2所示。在准相位机器的周期性极化KTiOPO4（PPKTP）晶体中，利用萨格奈克干涉仪，通过二类自然参数的转换下，产生了偏振纠缠光子对。405nm泵激光是首先耦合到单模光纤中，以获得近场光纤，这是一个模态叠加态，COStheta;|Hgt; sintheta;|Vgt;,将半波板（HWP）与四分之一波板（QWP）相结合。然后泵溥光被分成两个方向并聚焦在晶体上。通过对Sagnac干涉仪的仔细校准，顺时针和逆时针的组合变得难以分辨，产生了如下纠缠态：|psi;ABgt;=COStheta;|HAVBgt; sintheta;|VAHBgt;.然后将光子耦合成两个单模光纤，并由两个带通滤波器（BPF）进行频谱滤波。通过调整HWP和QWP，我们可以控制参数theta;和phi;以较高的精度产生一系列纠缠态。我们用量子态层析技术表征了纠缠态的性质。实验结果表明，该协作参量为0.927，纯度为0.914。
神经网
激光
可观察量
纠缠
可分
纠缠或可分
层析成像
纠缠
图2所示：量子态分类器的实验装置。准备好的纠缠被引导到状态发生器（黄色框）。相对相位可以在两个分量之间相加，也可以由偏振器（POL）将状态投射到四个分量|HAHBgt;，|HAVBgt;，|VAHBgt;，和|VAVBgt;上，从而构造出恒等状态。然后利用量子态层析成像和投影测量对生成的所有状态进行分析。根据状态成像数据，用PPT标准做出的理论上的预测标签也被添加到期望的状态。量子随机数发生器（QRNG）选择不同的分量构造混合状态作为训练状态或测试状态。所有数据都发送给代理进行培训和测试阶段。DM，二向色镜，PBS偏振分束器。
下一步是构造一系列理想的量子态，用于训练和测试阶段。在我们的工作中，我们使用时间混合技术来创建类werner状态,
rho;W=P|psi;ABgt;lt;psi;AB| (1-P)I/4,(5)且0P1。此处，|psi;ABgt;lt;psi;AB|为PPKTP源产生的纠缠态，将波函数分解为以下四个分量得到单位矩阵：|HAHBgt;，|HAVBgt;，|VAHBgt;，和|VAVBgt;。参数theta;和phi;由HWP和QWP的旋转控制。我们同时进行量子态层析和所有组分态的CHSH测量为了所有的组件态。所有这些数据都保存为了个数据库。为了消除源的潜在随时间变化的波动，我们从数据库
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[429121]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
