量子科技中心_量科网

该研究团队提出了一种通用机器学习方法，将经典影子表示与无监督主成分分析（PCA）相结合，用于探索各类量子相变。通过从随机泡利测量中采样自旋构型，该方法能有效分析数据中的隐藏统计模式，从而通过涨落现象捕捉量子临界性的显著特征。研究团队在一系列自旋-1/2系统中验证了该方法，包括一维XZX团簇-伊辛模型、一维键交替XXZ模型、二维横场伊辛模型以及二维Kitaev蜂窝模型。研究表明，PCA不仅能可靠检测并区分对称性破缺与拓扑相变，还能根据特征涨落模式实现定性分类。这种数据驱动方法无需哈密顿量或显式序参量的先验知识，有望成为探索新量子相的普适性工具。