量子科技中心_量科网

研究多体量子态和量子相变仍是量子多体物理领域的重大挑战。经典机器学习方法为解决这些难题提供了独特优势。该研究团队提出了一种创新框架，通过直接学习参数化量子电路的参数，绕过了测量物理观测量的需求。该工作将大语言模型（LLMs）中的注意力机制与变分自编码器（VAE）相结合，高效捕捉了电路参数间的隐藏关联性。这些关联性使研究人员能够以无监督方式提取量子相变信息。此外，该团队的VAE可作为参数化量子电路及相应多体量子态的经典表征，从而高效生成与特定相相关联的量子态。研究人员将该框架应用于多种量子系统，证明了其广泛适用性——尤其在识别拓扑量子相变方面展现出卓越性能。