Nat. Commun.速递：多任务神经网络预测多体量子态物理性质

文章预览

导语 多体量子系统的表征对于量子计算和多体物理至关重要。然而，当系统规模变大时，量子系统的表征变得极具挑战性。近日上海交通大学吴亚东副教授和香港大学朱岩博士及Giulio Chiribella教授合作，在 Nature Communications 上发表最新研究，提出了一种基于多任务学习技术的神经网络模型。该模型可以仅使用少量相邻量子比特的测量数据，准确预测关联长度恒定的多体量子态的多种性质。相比于传统的单任务学习模型，多任务学习展示出诸多优势。数值实验表明，对于足够规则的量子系统，该模型可以通过短程关联的观测来预测如序参量等全局性质，并能区分单任务模型难以辨别的量子物相。值得注意的是，该模型能够将从低维量子系统中学到的信息迁移到高维系统中，并对训练中未见过的哈密顿量基态做出准确的预测。 研究领域：多体量子系 ………………………………