机器学习对大量量子测量效应的影响
测量在量子计算机的信息处理与保护中至关重要,同时还能在未被测量的量子比特间诱导出长程纠缠。然而,当后测量状态依赖于大量非确定性测量结果时,观测和利用先前测量诱导的纠缠便存在障碍。该研究团队在此展示了一种检测此类测量诱导纠缠的新方法:通过在超导量子处理器中创建一维和二维量子比特阵列的短程纠缠态,并测量其余所有量子比特时,旨在表征远端量子比特对之间产生的长程纠缠特性。为此,研究人员利用无监督神经网络训练对观测数据进行建模,构建后测量状态的计算模型,再将这些模型与实验数据关联以揭示测量诱导纠缠。实验结果还显示出经典代理精确建模实验数据能力的转变——这与测量诱导相变密切相关。该工作有望为未来量子纠错实验及量子控制中更广泛的问题研究奠定基础。
