量子科技中心_量科网

机器学习（ML）在从量子实验中获得的复杂量子多体数据中提取洞见方面展现出巨大潜力。该方法能高效解决某些经典计算难以处理的量子问题，表明利用量子数据具有潜在优势。然而，处理大规模问题仍需要远超当前量子设备有限计算资源的海量数据。该团队提出一种名为“几何局域量子核（GLQK）”的可扩展机器学习框架，通过利用非临界系统中普遍存在的关联指数衰减现象，高效学习量子多体实验数据。在学习未知量子期望值多项式的任务中，研究人员通过构建关联长度尺度上的局域量子信息特征空间，严格证明GLQK相比现有阴影核方法显著改善了关于量子比特数n的多项式样本复杂度——当目标多项式的每项仅涉及少量局域子系统时，这一优势尤为显著。值得注意的是，对于平移对称数据，GLQK实现了与n无关的恒定样本复杂度。该工作通过数值模拟在两个量子多体现象学习任务中验证了其高度可扩展性。这些成果为利用实验数据推进量子多体物理认知开辟了新途径。