量子科技中心_量科网

发现对称性对于理解物理模型至关重要。该工作提出了一种优化框架，用于搜索哈密顿量的泡利对称性，将机器学习与自动对称性发现领域相结合。该框架基于Set-Transformer架构，利用自注意力机制编码泡利串之间的成对及高阶相关性。这些关联随后被解码为候选对称性，并进一步通过基于对易关系的定制目标函数进行优化，最终映射为输入哈密顿量的一个对称性。研究人员将该方法应用于随机泡利哈密顿量、一维和二维周期横场伊辛模型以及环面码。研究表明，对于物理哈密顿量（伊辛模型和环面码），该框架能以近乎确定性的概率成功找到对称性，并且与现有最优策略相比具有显著优势。对于随机泡利哈密顿量，在固定设计规格下，该研究估算了以高成功概率找到对称性所需的计算资源，特别是并行启动次数和GPU数量。