量子科技中心_量科网

表征量子系统的基态特性对于捕捉其行为至关重要，但在计算上具有挑战性。人工智能的最新进展引入了新颖的方法，提出了多种机器学习和深度学习模型用于此目的。然而，在这些任务中深度学习模型的必要性及其具体作用仍不明确，因为先前的研究通常使用不同或不切实际的量子资源来构建数据集，导致不公平的比较。为了解决这一问题，研究团队在三种哈密顿量家族中系统地对比了深度学习模型与传统机器学习方法，在三个关键的基态学习任务中扩展到127个量子比特，同时确保使用等效的量子资源。结果表明，在所有任务中，机器学习模型的性能通常与深度学习方法相当甚至更优。此外，随机化测试表明，测量输入特征对深度学习模型的预测性能影响最小。这些发现对当前深度学习模型在许多量子系统学习场景中的必要性提出了挑战，并为其有效利用提供了宝贵的见解。