量子科技中心_量科网

近期理论进展已确立了机器学习模型在量子生成数据上训练时，能够高效预测能隙局域哈密顿量基态性质的条件。然而，由于在量子处理器上制备多体基态存在困难，该范式下的先前实验演示大多局限于小系统或高度结构化的态。在本工作中，该团队展示了从二维海森堡XXZ模型（系统规模达115量子比特）的近似基态所生成的实验量子数据中进行学习。该团队构建了包含反铁磁相中单点期望值、两点关联及12体环关联的数据集。随后，该团队在此数据上训练神经网络，并证明这些网络能够准确预测未见哈密顿量参数（既包括训练分布内参数，也包括接近相边界的分布外参数）的空间分辨可观测量。该团队的结果证明了在规模化二维相互作用多体系统中实现从量子数据学习的实际可行性，为量子处理器能够提供超出经典近似方法范畴的训练数据这一发展方向铺平了道路。