量子科技中心_量科网

单个本征态在多大程度上编码了其底层哈密顿量的信息？这又如何依赖于它们的光谱位置？对于多体量子系统，这一问题通常通过光谱边缘附近（低纠缠、高度结构化的本征态）与远离光谱边缘（高纠缠、近乎随机的本征态）的本征态的不同性质来理解。借助机器学习工具的可获得性，该工作引入了一种量化本征态所含信息的新方法：对于特定的学习架构，从单个本征态重建哈密顿量的精确度能达到多高？该团队将这一特性称为可学习性；它作为一种由机器学习实现的全新、替代性的本征态信息含量度量标准。通过使用编码器-解码器神经网络和基于物理的损失函数，研究人员展示了两种类型本征态之间的区别如何体现为可学习性的差异。与光谱中部的本征态相比，光谱边缘本征态的预测精度更高，且学习哈密顿量所需的本征态数量更少。