当前位置: 主页 > 学术动态 >

基于变分量子的量子纠缠类别区分协议

点击数:   更新日期: 2024-07-22

中文题目:基于变分量子的量子纠缠类别区分协议

论文题目:Variational quantum entanglement classification discrimination

录用期刊/会议:Physica A: Statistical Mechanics and its Applications (中科院大类三区,JCR Q2)

原文DOI10.1016/j.physa.2024.129530

原文链接:https://www.sciencedirect.com/science/article/pii/S0378437124000384

作者列表

1)王绍轩 中国石油大学(北京)人工智能学院 计算机科学与技术 硕21

2)沈颖童 中国石油大学(北京)人工智能学院 计算机科学与技术 硕22

3)刘新建 中国石油大学(北京)人工智能学院 计算机科学与技术 硕21

4)张皓颖 中国石油大学(北京)人工智能学院 计算机科学与技术 硕21

5)王玉坤 中国石油大学(北京)人工智能学院 计算机科学与技术系 教师

摘要:

随着量子技术的快速发展,理解纠缠态的特性已成为一项紧迫的任务。针对不同的量子应用,已经提出了各种纠缠态的分类方法,突显了纠缠态分类的重要性。本文提出了一种用于纠缠态分类鉴别的变分量子分类器,可以有效减少测量资源,特别适用于基于SLOCC(随机局部操作和经典通信)的四量子比特纠缠等价分类。通过训练一对一和一对多模型,本文提出的方法在纠缠态分类方面取得了出色的性能。本文进一步研究了参数化量子电路层和不同测量设置对分类器性能的影响。考虑到近期量子计算机中存在的固有噪声,本文还分析了噪声对模型性能的影响。此外,本文探讨了分类器在多量子比特纠缠系统中的能力。数值模拟表明,可以利用浅层次电路实现高精度的纠缠态分类任务,并且该模型对噪声具有鲁棒性。

背景与动机:

量子纠缠是量子力学的重要特征,在量子信息理论中发挥关键作用。作为基本资源,它在各种量子应用中至关重要。不同的纠缠结构导致了多种分类,为各种量子应用提供基础。然而,量子系统的封闭性阻止了直接获取有关量子态的完整信息,使得使用量子态重构和区分进行纠缠分类挑战重重。此外,随着比特数目的增加,量子态重构所需的测量次数呈指数增长。同时,寻找最优的POVM具有挑战性,并且在量子设备上实施POVM需要大量资源。因此,有必要探索高效的纠缠分类方法来提高纠缠分类的效率。

设计与实现:

本文提出了一种新颖的变分量子分类器,专门用于在SLOCC下对四比特系统的不同纠缠家族进行分类,并简化纠缠区分的过程。本文引入了两种模型,一对一模型用于对两种不同的纠缠进行分类,而一对多模型则意味着对某种纠缠分类与其他纠缠进行分类。通过使用易实现的参数化量子线路以及局部测量高效实现纠缠分类,减少线路资源与测量资源。


图1 纠缠分类流程图

主要内容:

本文所采用的参数化量子线路如图2所示。参数化量子线路由单量子比特旋转门和CNOT门组成,CNOT可以灵活调整以适应不同的硬件架构。这种灵活性简化了线路的布局,降低了门的数量,提高了线路的鲁棒性和适应性。



2 参数化量子线路结构图

实验结果及分析:



图3 一对一模型的平均AUC



图4 一对多模型的平均AUC


针对一对一和一对多模型的数值模拟实验结果呈现在图3和图4中。对于一对一模型,在许多情况下,AUC大于0.95,有些情况甚至达到了1.0,表明方法有着极高的分类性能。对于一对多模型,与一对一模型相比,准确度略有下降,可能是因为考虑了更多的分类。然而,分类准确度仍然相当可观。



图5 在不同的参数化线路层数以及测量设置下的平均AUC和LOSS


图5展示了本方法可以通过调整不同的测量比特来提高分类精确度,并且可使用较少层数实现高精度分类,进一步凸显了方法的低线路深度的优势。



图6 多量子比特纠缠系统的LOSS和AUC


图6展示了对于多比特系统纠缠态的分类性能,凸显了本方法对于多方系统是适用性。

结论:

本文通过引入一个变分量子分类器提出了一种新颖的纠缠分类方法。通过使用经典优化器训练可优化的参数,本方法在进行纠缠分类任务方面表现出了卓越的性能。本文中所提出的变分量子纠缠分类器可以仅仅使用单个局部测量操作来区分纠缠类别,这使得其具有节省量子测量资源并避免需要联合测量的优势,本方法还表现出对噪声的鲁棒性。此外,本文还将研究扩展到了多量子比特纠缠系统,并观察到变分量子纠缠分类器保持了其可扩展性,适用于处理更复杂和更大规模的纠缠系统。这些发现突显了本文所提出的方法在处理各种情境和大规模系统下的纠缠分类任务中的优越性和稳健性。

通讯作者简介:

王玉坤,女,博士,人工智能学院计算机系助理教授。研究方向为量子计算,量子密码及量子信息基本理论,主要包括:量子机器学习,经典困难问题量子算法加速,量子线路优化与映射,量子密码协议设计及安全性证明,设备不可信量子信息处理等。主持国家自然基金青年基金,密码管理局密码科技国家重点实验室面上项目,校人才启动基金,在国内外著名期刊和会议发表SCI检索的学术论文30余篇。担任多个国际顶级期刊审稿人。