量子科技中心_量科网

量子物质相的分类仍然是凝聚态物理学中的一个基本挑战。该研究团队提出了一种创新框架，将量子态层析成像与现代时间序列机器学习模型相结合，实现了高效实用的量子相分类。该方法基于有限深度局域幺正电路连通性定义的量子相，通过对特定物相代表性量子态施加哈尔随机演化来生成丰富训练数据。这种方式使得训练数据能够从量子模拟器中高效获取。此外，该工作证明了先进时间序列模型可用于处理训练数据，并实现不依赖局域序参量的普适量子相分类。为验证该方法的普适性和通用性，研究人员在一维量子自旋链（如伊辛模型和轴向次近邻伊辛模型）上进行测试，结果显示与已知相边界高度吻合。