[论文解读] Quantum neural computation of entanglement is robust to noise and decoherence

E. C. Behrman, N. H. Nguyen+2 more|arXiv (Cornell University)|Oct 30, 2015

Quantum Information and Cryptography被引用 6

一句话总结

本文提出一种量子神经网络（QNN），通过动态学习方法，利用最小初始态集合训练，实现对多量子比特系统纠缠的计算。该QNN在噪声和退相干条件下表现出强鲁棒性，即使在显著噪声水平下仍保持高精度，表明尽管量子比特数量较少，量子叠加仍能实现容错性。

ABSTRACT

In previous work, we have proposed an entanglement indicator for a general multiqubit state, which can be "learned" by a quantum system, acting as a neural network. The indicator can be used for a pure or a mixed state, and it need not be "close" to any particular state; moreover, as the size of the system grows, the amount of additional training necessary diminishes. Here, we show that the indicator is stable to noise and decoherence.

研究动机与目标

• 开发一种可扩展、抗噪声的多量子比特量子系统纠缠估计方法，无需完整态层析。
• 探究量子神经网络在真实噪声和退相干条件下是否可作为稳定的纠缠指标。
• 证明在少量纯态上训练的QNN可泛化至混合态和噪声环境。
• 探索QNN鲁棒性的来源，特别是量子叠加在实现容错性中的作用。

提出的方法

• QNN使用时间依赖的哈密顿参数（K, ε, ζ）作为可训练权重，通过薛定谔方程演化初始密度矩阵，将纠缠映射为可测量输出。
• 输出为终态时间的相关函数 ⟨σzA(tf)σzB(tf)⟩²，作为初始态的纠缠指标。
• 采用监督学习协议，以贝尔态、平坦态、纯态C和部分纠缠态作为基准，通过时间演化中的量子反向传播进行训练。
• 通过傅里叶曲线拟合优化参数函数，得到简洁的单频或双频函数，可在不同系统尺寸间泛化。
• 噪声和退相干通过复振幅噪声和相位退相干（γ）建模，性能在不同噪声水平下进行测试。
• 采用费曼路径积分公式解释系统为时间路径的叠加，表明虚量子态提供了冗余性。

实验结果

研究问题

• RQ1 在最小状态集合上训练的量子神经网络能否准确估计未知纯态和混合态的纠缠？
• RQ2 当在零噪声下训练但在噪声条件下测试时，QNN在真实噪声和退相干下的表现如何？
• RQ3 与仅幅度噪声相比，退相干是否增强或削弱纠缠指标的鲁棒性？
• RQ4 QNN对噪声的鲁棒性来源是什么？量子叠加是否能在物理量子比特数量较少时仍提供容错能力？

主要发现

• 即使在0.013复振幅噪声下，QNN在纯态和混合态下对纠缠形成度的估计仍保持高精度。
• 在退相干（γ）条件下的性能优于仅幅度噪声条件，表明在此框架中退相干可能增强鲁棒性。
• 经训练的QNN对未知态（包括混合态M）泛化良好，0.0069噪声水平下结果与真实纠缠形成度高度吻合。
• 在较高噪声水平（0.0089和0.013）下训练提升了泛化能力，表明噪声感知训练可增强鲁棒性。
• QNN的鲁棒性归因于量子叠加通过大量时间路径贡献实现的有效冗余，即使物理量子比特数量较少。
• 该方法随系统尺寸高效扩展，随着N增加所需额外训练更少，而传统方法需完整密度矩阵重建。