量子科技中心_量科网

量子数据学习（QDL）提供了一种直接从量子态中提取物理洞见的框架，无需识别理论的经典可观测量。多体物理中的一个核心挑战在于，量子相（尤其是具有拓扑序的相）的识别往往无法通过局域观测量或简单的对称破缺诊断来实现。在此项工作中，该研究团队将QDL技术应用于磁场中的2+1维环面码环气模型，通过参数化环气电路（PLGC）结合变分量子本征求解器（VQE）方法，生成了多种晶格尺寸下的基态。随后训练了一个覆盖全场参数范围的量子卷积神经网络（QCNN）进行相分类并捕捉整体相结构。研究人员还采用物理感知训练协议，排除了量子蒙特卡洛估算的相变点xc≈0.25附近（0.2≤x≤0.4）的近临界区域，将该窗口留作测试以评估模型学习相变的能力。同时，该工作实现了基于态重叠的无监督量子k均值方法，可在无先验标注情况下将数据集划分为两相。监督式QDL方法重建了相结构并精确定位相变点，与已报道值高度吻合；无监督QDL方法重建相结构并定位相变点时存在有限体积效应预期的小幅偏移；两种QDL方法均优于经典替代方案。这些发现确立了QDL作为表征拓扑量子物质、研究有限体积效应及探索高维系统相图的有效框架。