<meter id="hh1nh"></meter>
<th id="hh1nh"><em id="hh1nh"><delect id="hh1nh"></delect></em></th>

        <form id="hh1nh"></form>

          <listing id="hh1nh"><nobr id="hh1nh"></nobr></listing>
          <nobr id="hh1nh"></nobr>

            <th id="hh1nh"><form id="hh1nh"><font id="hh1nh"></font></form></th>
            <rp id="hh1nh"><progress id="hh1nh"></progress></rp>
            您所在的位置:首頁 - 科學研究 - 科研動態

            科研動態

            基于變分量子的量子糾纏類別區分協議

            中文題目:基于變分量子的量子糾纏類別區分協議

            論文題目:Variational quantum entanglement classification discrimination

            錄用期刊/會議:Physica A: Statistical Mechanics and its Applications (中科院大類三區,JCR Q2)

            原文DOI10.1016/j.physa.2024.129530

            原文鏈接:https://www.sciencedirect.com/science/article/pii/S0378437124000384

            作者列表

            1)王紹軒 中國石油大學(北京)人工智能學院 計算機科學與技術 碩21

            2)沈穎童 中國石油大學(北京)人工智能學院 計算機科學與技術 碩22

            3)劉新建 中國石油大學(北京)人工智能學院 計算機科學與技術 碩21

            4)張皓穎 中國石油大學(北京)人工智能學院 計算機科學與技術 碩21

            5)王玉坤 中國石油大學(北京)人工智能學院 計算機科學與技術系 教師

            摘要:

            隨著量子技術的快速發展,理解糾纏態的特性已成為一項緊迫的任務。針對不同的量子應用,已經提出了各種糾纏態的分類方法,突顯了糾纏態分類的重要性。本文提出了一種用于糾纏態分類鑒別的變分量子分類器,可以有效減少測量資源,特別適用于基于SLOCC(隨機局部操作和經典通信)的四量子比特糾纏等價分類。通過訓練一對一和一對多模型,本文提出的方法在糾纏態分類方面取得了出色的性能。本文進一步研究了參數化量子電路層和不同測量設置對分類器性能的影響??紤]到近期量子計算機中存在的固有噪聲,本文還分析了噪聲對模型性能的影響。此外,本文探討了分類器在多量子比特糾纏系統中的能力。數值模擬表明,可以利用淺層次電路實現高精度的糾纏態分類任務,并且該模型對噪聲具有魯棒性。

            背景與動機:

            量子糾纏是量子力學的重要特征,在量子信息理論中發揮關鍵作用。作為基本資源,它在各種量子應用中至關重要。不同的糾纏結構導致了多種分類,為各種量子應用提供基礎。然而,量子系統的封閉性阻止了直接獲取有關量子態的完整信息,使得使用量子態重構和區分進行糾纏分類挑戰重重。此外,隨著比特數目的增加,量子態重構所需的測量次數呈指數增長。同時,尋找最優的POVM具有挑戰性,并且在量子設備上實施POVM需要大量資源。因此,有必要探索高效的糾纏分類方法來提高糾纏分類的效率。

            設計與實現:

            本文提出了一種新穎的變分量子分類器,專門用于在SLOCC下對四比特系統的不同糾纏家族進行分類,并簡化糾纏區分的過程。本文引入了兩種模型,一對一模型用于對兩種不同的糾纏進行分類,而一對多模型則意味著對某種糾纏分類與其他糾纏進行分類。通過使用易實現的參數化量子線路以及局部測量高效實現糾纏分類,減少線路資源與測量資源。


            圖1 糾纏分類流程圖

            主要內容:

            本文所采用的參數化量子線路如圖2所示。參數化量子線路由單量子比特旋轉門和CNOT門組成,CNOT可以靈活調整以適應不同的硬件架構。這種靈活性簡化了線路的布局,降低了門的數量,提高了線路的魯棒性和適應性。



            2 參數化量子線路結構圖

            實驗結果及分析:



            圖3 一對一模型的平均AUC



            圖4 一對多模型的平均AUC


            針對一對一和一對多模型的數值模擬實驗結果呈現在圖3和圖4中。對于一對一模型,在許多情況下,AUC大于0.95,有些情況甚至達到了1.0,表明方法有著極高的分類性能。對于一對多模型,與一對一模型相比,準確度略有下降,可能是因為考慮了更多的分類。然而,分類準確度仍然相當可觀。



            圖5 在不同的參數化線路層數以及測量設置下的平均AUC和LOSS


            圖5展示了本方法可以通過調整不同的測量比特來提高分類精確度,并且可使用較少層數實現高精度分類,進一步凸顯了方法的低線路深度的優勢。



            圖6 多量子比特糾纏系統的LOSS和AUC


            圖6展示了對于多比特系統糾纏態的分類性能,凸顯了本方法對于多方系統是適用性。

            結論:

            本文通過引入一個變分量子分類器提出了一種新穎的糾纏分類方法。通過使用經典優化器訓練可優化的參數,本方法在進行糾纏分類任務方面表現出了卓越的性能。本文中所提出的變分量子糾纏分類器可以僅僅使用單個局部測量操作來區分糾纏類別,這使得其具有節省量子測量資源并避免需要聯合測量的優勢,本方法還表現出對噪聲的魯棒性。此外,本文還將研究擴展到了多量子比特糾纏系統,并觀察到變分量子糾纏分類器保持了其可擴展性,適用于處理更復雜和更大規模的糾纏系統。這些發現突顯了本文所提出的方法在處理各種情境和大規模系統下的糾纏分類任務中的優越性和穩健性。

            通訊作者簡介:

            王玉坤,女,博士,人工智能學院計算機系助理教授。研究方向為量子計算,量子密碼及量子信息基本理論,主要包括:量子機器學習,經典困難問題量子算法加速,量子線路優化與映射,量子密碼協議設計及安全性證明,設備不可信量子信息處理等。主持國家自然基金青年基金,密碼管理局密碼科技國家重點實驗室面上項目,校人才啟動基金,在國內外著名期刊和會議發表SCI檢索的學術論文30余篇。擔任多個國際頂級期刊審稿人。

            99亚洲综合精品