量子科技中心_量科网

在多体系统的哈密顿量参数空间中绘制量子相图可视为一个学习问题，这意味着需要根据定义相区的分类标准对相应基态进行标记。该工作采用无监督学习（算法无法获取任何预标记状态）作为确定多体系统量子相图的工具。该算法直接处理量子态：给定哈密顿参数不同取值下的基态构型后，该流程能基于量子态间保真度的相似性准则（该指标即使通过实验也易于估算），揭示最具统计学意义的态分组方式。研究人员以两个特定自旋-1/2链为基准测试该方法，其中量子态通过张量网络技术确定。研究发现，基于谱聚类的无监督学习算法结合“轮廓系数法”和“肘部法则”确定最优相区数量时，能精确复现相图。该研究结果表明，无监督学习可自主识别并有望揭示量子物质的新相态。