量子科技中心_量科网

实验数据驱动的量子系统表征是量子科学与技术领域的核心问题。但究竟该采用何种测量手段来获取数据？虽然针对小型量子系统可以计算出最优测量方案，但随着系统规模扩大，优化过程将变得难以处理。为解决这一难题，该研究团队开发了一种采用序列模型架构的深度神经网络，以数据驱动的自适应方式搜索高效测量方案。该模型可应用于多种任务，包括预测量子态的线性与非线性特性，以及量子态聚类与态层析等任务。研究发现，在所有任务中神经网络确定的测量方案均显著优于均匀随机选择。值得注意的是，对于拓扑量子系统，该模型倾向于推荐系统边界处的测量——即便任务目标是预测体相性质。这一现象表明，神经网络可能独立发现了边界与体相之间的关联规律，而无需预先输入任何量子物理学知识。