量子科技中心_量科网

量子多体问题是多个科学领域的核心问题，但其基态性质的估算本质上具有挑战性。深度学习（DL）的最新进展为该领域提供了潜在解决方案，补充了先前纯经典和量子方法。然而，现有基于DL的模型通常假设可通过无限采样获得大规模无噪声的标记数据集。这种理想化假设引发了对其实际应用价值的根本性质疑，尤其考虑到近期量子硬件资源的有限性。 为释放这些基于DL模型的潜力，该团队提出AiDE-Q（量子性质估计自动数据引擎），该框架通过迭代生成高质量合成标记数据集来解决这一挑战。具体而言，AiDE-Q采用一致性检验方法评估合成标签质量，并持续利用识别出的高质量合成数据集优化所采用的DL模型。为验证AiDE-Q的有效性，研究人员在多达50个量子比特的多种量子多体系统和分子体系上进行了广泛数值模拟。结果表明，AiDE-Q将各类基准学习模型的预测性能提升最高达14.2%。此外，该工作证明：与先进基准模型相比，集成AiDE-Q的基础监督学习模型表现更优，凸显了合成数据集的重要性。这项研究为量子性质估计的深度学习应用开辟了更高效、更实用的途径。