Q-means using variational quantum feature embedding
本文提出了一种混合量子经典算法，学习一个合适的量子特征映射，分离未标记的数据，原来是非线性可分离的经典空间使用变分量子特征映射和q-均值作为子程序的无监督学习。变分电路的目标是在量子特征希尔伯特空间中最大限度地分离团簇。电路的第一部分将经典数据嵌入量子态。第二部分利用q均值量子线路对量子特征希尔伯特空间中的量子态进行无监督学习。量子线路的输出是特征簇量子态，其表示属于特定簇的所有量子态的叠加。量子线路的最后部分对特征簇量子态执行测量以基于保真度输出簇间重叠。完整量子线路的输出用于计算基于特征簇量子态的密度矩阵之间的希尔伯特-施密特距离的代价函数的值。期望值的梯度被用来优化变分电路的参数，以学习更好的量子特征映射。
2021-12-11 quant-ph
An unsupervised feature learning for quantum-classical convolutional network with applications to fault detection
量子神经网络结合了量子计算和神经网络的优点，近年来受到了广泛的关注。然而，由于量子资源的缺乏，训练量子神经网络的代价很高。在这项工作中，我们提出了一种简单的无监督方法，用于量子经典卷积网络学习量子特征提取器的层次结构。每个级别的特征提取器由多个量子卷积滤波器组成，后面是池化层。该方法的主要贡献是利用$K$ -均值聚类来最大化量子线路模拟中量子特性的差异。轴承故障检测实验表明了该方法的有效性。
2021-07-17 quant-ph
QUSL: Quantum Unsupervised Image Similarity Learning with Enhanced Performance
本文提出QUSL量子无监督图像相似度学习方法，通过相似性三元组与元启发式算法优化量子电路架构，在降低50%以上量子资源的同时将相似性检测相关性提升高达19.5%，在NISQ环境中展现鲁棒性。
2024-08-22 quant-ph
Quantum spectral clustering algorithm for unsupervised learning
聚类是无监督学习中最关键的问题之一，并且众所周知的$k$ -均值聚类算法已被证明可以在量子计算机上实现，具有显著的加速比。然而，许多聚类问题不能解决的$k$ -手段，一个强大的方法称为谱聚类被引入来解决这些问题。在这项工作中，我们提出了一种电路设计，以实现频谱聚类的量子处理器上有很大的加速，通过初始化的处理器到一个最大的纠缠态和编码的数据信息到一个有效的模拟哈密顿量。与已有的量子$k$ -均值算法相比，该方法不需要量子随机存储器和量子绝热过程.它依赖于一个适当的嵌入量子相位估计到Grover的搜索，以获得量子加速。仿真结果表明，该方法是有效的解决聚类问题，并将作为一个重要的补充，量子$k$ -手段的无监督学习。
2022-06-10 quant-ph
Unsupervised machine learning for physical concepts
Graduate School of China Academy of Engineering Physics（中国工程物理研究院研究生院）
近年来，机器学习方法已被用于辅助科学家进行科学研究。人类科学理论是建立在一系列概念基础之上的。机器如何从实验数据中学习概念将是重要的第一步。我们提出了一种混合方法，通过无监督机器学习提取可解释的物理概念。该方法包括两个阶段。首先，我们需要找到实验数据的Betti数。其次，给定Betti数，我们使用变分自编码器网络来提取有意义的物理变量。我们在玩具模型上测试我们的协议，并展示它是如何工作的。
2022-05-11 cs.LG quant-ph
Unsupervised Random Quantum Networks for PDEs
Imperial College London（伦敦帝国理工学院）
该研究将物理信息神经网络思想引入量子计算，用参数化随机量子电路求解偏微分方程，并适配高斯平滑技术，理论分析复杂度，数值证明随机量子网络优于传统量子与随机经典网络。
2023-12-21 cs.LG quant-ph
Kernel Alignment for Quantum Support Vector Machines Using Genetic Algorithms
University of Melbourne（墨尔本大学）
本文提出了一种基于遗传算法的量子支持向量机核对齐方法，通过评估监督和无监督核损失函数对编码电路优化的影响，提高了分类准确率，并在金融、医疗和材料科学等领域展示了改进的机器学习性能。
2026-05-21 quant-ph
Variational Quantum Anomaly Detection: Unsupervised mapping of phase diagrams on a physical quantum computer
量子计算最有前途的应用之一是模拟量子多体系统。然而，仍然需要以原生方式有效地调查这些系统的方法，捕获它们的全部复杂性。在这里，我们提出变分量子异常检测，一个无监督的量子机器学习算法来分析来自量子模拟的量子数据。该算法被用来提取系统的相图，没有事先的物理知识，可以进行端到端的同一个量子设备上，该系统是simulatedon.We展示了它的能力，通过映射出的相图的一维扩展玻色哈伯德模型与二聚跳跃，表现出对称性保护的拓扑相位。此外，我们还证明了它可以与当今易于访问的设备一起使用，并在真正的量子计算机上执行该算法。
2022-01-06 quant-ph
Learning Variational Quantum Circuit Parameters with Classical Artificial Intelligence for Quantum Phase Transition Detection
Center for Quantum Technology Research and Key Laboratory of Advanced Optoelectronic Quantum Architecture and Measurements (MOE), School of Physics, Beijing Institute of Technology（北京理工大学物理学院量子技术研究中心与先进光电子量子架构及测量教育部重点实验室）
本文提出利用经典人工智能学习变分量子电路参数，以无监督方式检测量子相变，尤其在拓扑相变识别中表现优异。
2026-02-01 quant-ph
Solving Differential Equation with Quantum-Circuit Enhanced Physics-Informed Neural Networks
本文提出将小型量子电路生成的特征与物理信息神经网络相结合的混合框架，通过量子测量概率输入求解一阶微分方程，数值结果验证了量子增强PINNs的可行性。
2025-09-17 quant-ph
Mapping of Topological Quantum Circuits to Physical Hardware
拓扑量子计算是实现大规模、纠错计算的一种很有前途的技术。量子硬件用于创建纠缠量子位的大型三维晶格，同时执行计算需要根据拓扑电路规范进行策略测量。规范是一种几何结构，定义了编码信息和容错操作。拓扑电路的编译是量子计算机编程的一个重要方面，另一个是拓扑电路到硬件执行的操作的映射。每个量子比特都必须被控制，并且需要测量结果来将编码的量子信息从输入传播到输出。在这项工作中，我们介绍了一种算法，用于映射拓扑电路的物理硬件所需的操作。我们确定计算机中每个量子位的控制命令，以及在信息通过电路时跟踪信息所需的相关测量。
2014-03-10 quant-ph
Measurement-induced criticality as a data-structure transition
我们采用无监督学习工具，以确定不同的阶段和它们的过渡在量子系统的幺正演化和随机测量的联合行动。具体来说，我们考虑主成分分析和内在维度估计，以揭示测量引起的数据空间中的结构转变。我们在1+1D稳定器电路上测试了我们的方法，并发现感兴趣的数量提供了直接在原始数据空间中定义的新的序参量。我们的研究结果提供了第一次使用无监督的工具在动态量子相变。
2022-11-02 cond-mat.dis-nn cond-mat.stat-mech quant-ph
CNOT circuit extraction for topologically-constrained quantum memories
量子计算机的许多物理实现施加了严格的存储器约束，其中2-量子位操作只能在晶格或图形结构中最邻近的量子位之间执行。因此，在计算可以在这样的设备上运行之前，它必须映射到物理架构上。也就是说，逻辑量子比特必须在量子存储器中被分配物理位置，并且电路必须被仅包含最近邻居之间的操作的等效电路所取代。本文给出了一种新的量子线路映射技术（又称量子电路映射）。路由），基于高斯消除约束到某些最佳生成树称为斯坦纳树。我们给出了一个参考实现的CNOT电路的技术，并表明它显着优于CNOT电路的通用例程。然后，我们评论该技术可以直接扩展到CNOT+Rz电路的合成，并作为修改最近提出的电路简化/提取程序的通用电路的基础上的ZX演算。
2019-05-26 quant-ph
Unsupervised learning for the systematic identification of nondispersive wave packets in driven helium
Universidad del Valle（德列瓦列大学）；Centre for Bioinformatics and Photonics—CIBioFi, Universidad del Valle（生物信息学与光子学中心—CIBioFi，德列瓦列大学）；Quantum Technologies, Information and Complexity (QuanTIC), Universidad del Valle（量子技术、信息与复杂性研究中心（QuanTIC），德列瓦列大学）
本文提出一种基于Floquet描述的无监督学习方法，通过卷积神经网络对量子态进行低维嵌入和聚类，自动识别驱动氦原子中的冻结行星态和非色散波包，无需先验标签。
2026-05-25 quant-ph
Atomtronic circuits: from many-body physics to quantum technologies
原子电子学是一门新兴的研究领域，其目标是操纵在物质波电路中运动的超冷原子，以实现量子科学的基础研究和技术应用。在这次讨论会上，我们回顾了物质波电路和基于原子电子学的量子技术的最新进展。在简单介绍了实现原子电子系统所需的基本物理原理和关键实验技术之后，我们描述了简单电路中的物质波物理，如环阱和双端系统。讨论了主要的实验观察结果和存在的问题。我们还提出了可能的应用范围广泛的量子技术，从量子传感与原子干涉未来的量子模拟和量子计算架构。
2022-06-14 cond-mat.quant-gas quant-ph
Quantum Algorithms for Unsupervised Machine Learning and Neural Networks
在这篇论文中，我们研究了量子算法是否可以用于机器学习领域的长期和短期量子计算机。我们将首先回顾机器学习和量子计算的基本原理，然后更精确地描述如何通过线性代数将它们联系起来：我们引入量子算法来有效地解决矩阵乘积或距离估计等任务。然后，这些结果被用于开发新的量子算法用于无监督机器学习，如k-means和谱聚类。这使我们能够定义许多基本程序，特别是在矢量和图形分析中。我们还将介绍用于神经网络或深度学习的新量子算法。为此，我们介绍了一种算法来执行一个量子卷积积的图像，以及一种新的方式来执行一个快速的断层扫描的量子态。我们证明了这些量子算法是等价经典算法的更快版本，但由于计算的量子性质而表现出随机效应。已经进行了许多模拟来研究这些影响，并测量它们在真实数据上的学习精度。最后，我们将提出一个量子正交神经网络电路，适用于目前可用的小型和不完善的量子计算机。这使我们能够进行真实的实验来测试我们的理论。
2021-11-05 quant-ph
Simulating Zeno physics by quantum quench with superconducting circuits
研究量子猝灭下量子系统的非平衡物理具有重要的理论和实验意义。利用周期性量子猝灭，我们提出了一个实验上可行的方案来模拟单个超导量子比特与传输线谐振器阵列相互作用的开放量子系统中的量子Zeno和反Zeno效应.该方案是基于以下两个观察：第一，与传统的系统相比，在我们的超导电路系统中的短时间非指数衰减是很容易观察到的;第二，淬火过程模仿理想的投影测量时，其持续时间足够长。结果表明量子猝灭在量子模拟和控制中的积极作用。
2014-06-12 quant-ph
An Introduction to Quantum Machine Learning for Engineers
King's College London（伦敦国王学院）
在当前嘈杂的中间尺度量子（NISQ）时代，量子机器学习正在成为编程基于门的量子计算机的主导范式。在量子机器学习中，量子线路的门被参数化，并且参数基于数据和电路输出的测量经由经典优化来调谐。参数化量子线路（PQC）可以有效地解决组合优化问题，实现概率生成模型，并进行推理（分类和回归）。这本专著为具有概率和线性代数背景的工程师观众提供了量子机器学习的独立介绍。它首先描述了描述量子操作和测量所必需的背景、概念和工具。然后，它涵盖了参数化量子线路，变分量子本征求解器，以及无监督和监督量子机器学习公式。
2022-06-11 cs.ET cs.LG quant-ph
Multimode physics of the unimon circuit
本文研究unimon电路的多模物理，发现高频模式导致约瑟夫森能量重整化，并揭示低能模式间的强交叉Kerr耦合，为多量子比特嵌入单电路提供可能。
2023-10-12 quant-ph
F-Divergences and Cost Function Locality in Generative Modelling with Quantum Circuits
Cambridge Quantum Computing Limited（剑桥量子计算有限公司）；Imperial College London（伦敦帝国理工学院）；University of Edinburgh（爱丁堡大学）
生成式建模是机器学习中一个重要的无监督任务。在这项工作中，我们研究了一个混合量子经典的方法来完成这项任务，基于使用的量子线路玻恩机。特别地，我们考虑使用$f$ -发散训练量子线路玻恩机。我们首先讨论生成建模的对抗框架，它可以在短期内估计任何$f$ -发散。基于这种能力，我们介绍了两种明显提高玻恩机训练的方法。第一种是基于训练过程中的$f$ -发散切换。第二个介绍了当地的分歧，一个战略，已被证明是重要的，在类似的应用程序，在减轻贫瘠的高原。最后，我们讨论了计算$f$发散量子设备的长期影响，包括算法，提供二次加速到他们的估计。特别是，我们推广现有的算法估计的Kullback-Leibler分歧和总的变化距离，以获得一个容错的量子算法估计另一个$f$ -分歧，即皮尔逊分歧。
2021-10-08 cs.LG quant-ph
CircLS: Compiling Lattice Surgery to Physical Circuits with Dynamic Allocation
CircLS是一款将格点手术的泡利乘积测量序列编译为Stim电路的开源编译器，通过动态分配数据块，可减少时空体积并降低逻辑错误率。
2026-09-22 quant-ph
Riemannian Quantum Circuit
数论是一个抽象的数学领域，它为理论物理的发展提供了肥沃的环境。特别是，有几个物理系统与黎曼zeta函数的零点有关。在这项工作中，我们提出了一个量子线路的理论与有限个零点的黎曼zeta函数。这种电路的存在将允许在未来通过实现基于这些零点的量子算法来解决一些数论问题。
2014-01-30 quant-ph
Hybrid quantum circuits: Superconducting circuits interacting with other quantum systems
混合量子线路结合了两个或多个物理系统，目的是利用不同系统的优点和优势，以便更好地探索新现象，并可能带来新的量子技术。本文简要介绍了迄今为止在涉及原子、自旋和固态器件（包括超导和纳米机械系统）的混合电路领域所取得的进展。这些电路如何结合元素从原子物理学，量子光学，凝聚态物理，和纳米科学进行了讨论，并提出了不同的可能的方法，将各种系统集成到一个单一的电路。特别是，混合量子线路可以在芯片上制造，促进其未来的可扩展性，这对于构建未来的量子技术至关重要，包括量子探测器，模拟器和计算机。
2013-04-10 cond-mat.mes-hall cond-mat.supr-con quant-ph
A superconducting quantum circuit single artificial atom maser
University of Pittsburgh（匹兹堡大学）；Pittsburgh Quantum Institute, University of Pittsburgh（匹兹堡量子研究所，匹兹堡大学）；Yale University（耶鲁大学）；Pacific Northwest National Laboratory（太平洋西北国家实验室）
利用人工多能级原子作为增益介质，通过微波信号泵浦至反向人口状态，实现电路量子电动力学中的原子微波放大器模拟，展示了丰富的物理现象及微波量子电路发展对放大器物理的探索潜力。
2026-04-06 quant-ph
Non-Equilibrium Quantum Many-Body Physics with Quantum Circuits
本文探讨了量子电路在研究非平衡量子多体动力学中的应用，介绍了砖块量子电路的设置，并展示了其在局部相互作用存在时研究非平衡量子多体动力学的实用性。
2026-11-13 cond-mat.stat-mech quant-ph
Cross-level Validation of Topological Quantum Circuits
量子计算为解决计算难题提供了一种新的方法，建造量子计算机的探索已经开始。虽然第一次构建尝试是成功的，但由于量子比特（qubit）固有的脆弱性，可扩展性从未实现。在众多实现可扩展性的方法中，拓扑量子计算（TQC）是最有前途的一种，它基于灵活的纠错方法并利用简单的基于测量的计算技术。TQC电路被定义在由硬件产生的物理量子比特的大的、均匀的、三维晶格内，并且该晶格的物理体积直接与计算所需的资源相关。电路优化可能导致电路规范和实现之间的非直观失配。在本文中，我们介绍了第一种方法的跨级验证的TQC电路。电路的规范基于稳定器形式主义来表达，并且通过在物理量子比特水平上映射拓扑来检查稳定器表，随后进行量子线路仿真。仿真结果表明，纠错电路的跨级验证是可行的。
2014-07-31 quant-ph
Quantum Simulations of Relativistic Quantum Physics in Circuit QED
本文提出了一种电路量子电动力学中相对论量子物理的模拟方案。通过使用三个经典的微波驱动器，我们表明，超导量子比特强耦合到谐振腔场模式可以用来模拟狄拉克方程和克莱因悖论在所有制度的动力学。使用相同的设置，我们还提出了实施的Foldy-Wouthuysen正则变换，之后的位置算子的时间导数成为一个常数的运动。
2013-05-17 cond-mat.mes-hall cond-mat.quant-gas cond-mat.supr-con
Atomic physics and quantum optics using superconducting circuits
基于约瑟夫森结的超导电路表现出宏观的量子相干性，并且可以表现得像人造原子一样。最近的技术进步使得在芯片上使用这些人造原子进行原子物理和量子光学实验成为可能。本综述简要概述了迄今为止在这一快速发展的领域取得的进展。我们不仅讨论与自然原子中的原子物理学和量子光学类似的现象，而且强调那些不发生在自然原子中的现象。此外，我们总结了在这个新兴的跨学科领域的几个前瞻性的方向。
2012-02-09 cond-mat.mes-hall cond-mat.supr-con quant-ph
Quantum Machine Learning on Near-Term Quantum Devices: Current State of Supervised and Unsupervised Techniques for Real-World Applications
The University of Tokyo（东京大学）；IBM Quantum, IBM Research - Tokyo（IBM量子（IBM东京研究院））；Global Technology and Applied Research, J.P. Morgan Chase & Co.（摩根大通全球技术与应用研究院）；Quantum Computing Center, Keio University（庆应义塾大学量子计算中心）
本综述系统梳理了近期量子设备上监督与无监督量子机器学习的应用现状，分析编码、拟设结构、错误缓解与梯度方法等实现瓶颈，并评估其相对经典方法的性能，提出未来解决方向。
2024-06-08 cs.LG quant-ph stat.ML
Superluminal Physics with Superconducting Circuit Technology
我们介绍了一个工具箱的量子模拟的超光速运动与超导电路。我们表明，它是可能的，以超过光速的电磁介质中的恒定速度和随后的金斯堡辐射的发射模拟超导量子比特的运动。我们认为，以及可能的设置模拟超光速运动的镜子，发现一个链接与超辐射相变的迪克模型。
2017-09-27 cond-mat.mes-hall cond-mat.supr-con hep-th
Physical Optimization of Quantum Error Correction Circuits
量子纠错码已经被开发用于保护量子计算机免受由于噪声环境引起的退相干。在本文中，我们提出了两种方法来优化这种纠错方案的物理实现。首先，我们讨论了最小纠错码（三位码）的最佳量子线路实现。量子线路在物理上由串行脉冲实现，即通过一个接一个地打开和关闭哈密顿量中的外部参数。与此相反，我们引入了一种新的并行开关方法，允许更快的门操作，同时切换所有外部参数。本文将这两种方法应用于耦合量子点中的电子自旋，耦合过程为H=J（t）S_1*S_2，可以产生通用的量子门“交换平方根”。使用并行脉冲，在海森堡系统中用于三比特量子纠错的编码可以被加速大约两倍。我们指出，并行开关具有潜在的应用任意量子计算机架构。
1999-05-17 cond-mat.mes-hall quant-ph
Scalable Parameter Design for Superconducting Quantum Circuits with Graph Neural Networks
School of Integrated Circuits, Tsinghua University, Beijing 100084, China.（集成电路学院，清华大学，北京100084，中国）
针对大规模超导量子芯片参数设计难题，提出基于GNN“三阶梯缩放”机制的评估器—设计器算法，在约870量子比特电路中显著降低串扰误差并将耗时由90分钟降至27秒。
2025-07-24 cs.AI quant-ph
Engineering topological states and quantum-inspired information processing using classical circuits
该研究基于电路拉普拉斯算子与薛定谔方程的对应关系，综述经典电路模拟拓扑物理及实现量子启发信息处理（含拓扑量子计算等方向）的进展，为经典系统模拟量子现象提供参考。
2025-02-11 cond-mat.mes-hall quant-ph
Basic circuit compilation techniques for an ion-trap quantum machine
我们研究的问题编译的量子算法到优化的物理级电路可执行的量子信息处理（QIP）实验的基础上捕获的原子离子。我们报告一个完整的战略：从量子计算机程序形式的算法开始，我们将其编译成高级逻辑电路，该高级逻辑电路经历多个阶段的分解，逐渐分解成较低级别的电路，直到我们达到物理执行级别的规范。我们跳过容错层，因为它不在本工作的范围内。不同的阶段被构造为最好地辅助整体优化，同时考虑许多优化标准，包括最小化昂贵的双量子位门的数量，最小化较便宜的单量子位门的数量，优化运行时间，最小化整体电路误差，以及优化经典控制序列。我们的方法允许电路运行时间和量子误差之间的权衡，以及适应未来的变化，可能会出现的结果，在实验的物理级控制的预期改进的优化标准。
2017-02-21 cs.ET quant-ph
The Variational Power of Quantum Circuit Tensor Networks
在物理多体基态表象下，刻画了量子线路张量网络的变分幂。这种张量网络是通过用局域量子线路代替标准张量网络中的稠密块幺正和等距而形成的。我们研究了量子线路矩阵乘积态和量子线路多尺度纠缠重正化方法，并引入了一种自适应方法来优化所得到的线路，使其具有多个$10^4$参数，达到高保真度.我们对标准张量网络，以及其他常见的电路架构，为1D/2D海森堡和1D费米-哈伯德模型的表现力进行基准测试。我们发现，对于这些问题，量子线路张量网络比其他量子线路更有表现力，它们甚至可以比标准张量网络更紧凑。外推到电路的深度，它不能再被经典地模拟，这表明了一个区域的优势，在量子表现力的表示物理基态。
2021-11-05 cond-mat.str-el quant-ph
Physics-Based Models for Magneto-Electric Spin-Orbit Logic Circuits
自旋电子器件由于其能量效率和与CMOS的兼容性，是一种有前途的超CMOS器件选择。为了准确地捕捉它们的多物理动力学，需要严格处理自旋和电荷以及它们之间的相互转换。在这里，我们提出了基于物理的设备模型的基础上的4x 4矩阵的自旋轨道耦合部分的磁电自旋轨道（MESO）设备。基于Landau-Lifshitz-Gilbert（LLG）和Landau-Khalatnikov（LK）方程，提出了一个更严格的铁电和磁电开关的物理模型。在SPICE电路仿真环境中实现了组合模型，仿真结果表明MESO实现的可行性和缓冲器，振荡器和多数门的功能操作。
2021-10-21 cond-mat.mes-hall cs.ET physics.app-ph
Zeno physics in ultrastrong circuit QED
研究了超导量子比特与微波谐振腔强相互作用和超强相互作用中的Zeno和反Zeno效应。使用一个模型的一个经常测量的二能级系统与量子化模式的相互作用，我们表现出不同的行为和总控制的芝诺时间取决于是否可以应用在Jaynes-Cummings模型中的行波近似，或没有。我们重新展示了我们的结果与初始场态的性质的强依赖性，并提出了量子层析成像的应用。
2010-08-11 cond-mat.mes-hall cond-mat.supr-con quant-ph
Unsupervised learning of correlated quantum dynamics on disordered lattices
由于量子统计、粒子间相互作用和无序之间的相互作用，在无序晶格上共同传播的量子粒子发展出复杂的非经典关联。在这里，我们提出了一种基于生成对抗网络的深度学习算法，能够学习这些相关性，并以完全无监督的方式识别物理控制参数。在对未标记示例的数据集进行一次性训练后，该算法可以生成大量看不见但物理上正确的新示例，而无需进一步计算。此外，在算法的潜在空间中提取的知识将无序识别为相关的控制参数。这使得训练后调整生成的样本中的无序程度，使其达到算法没有明确训练过的值。最后，我们证明了经过训练的网络可以加速学习新的、更复杂的问题。这些结果证明了神经网络在无监督的情况下学习相关量子动力学规则的能力，并为它们在量子模拟和计算中的应用提供了一条途径。
2022-01-30 cond-mat.dis-nn physics.comp-ph quant-ph
Non-Hermitian exceptional Landau quantization in electric circuits
交流RLC电路形成了一个可访问的和高度可调的平台，模拟厄米以及非厄米（nH）量子系统。我们提出了一种电路实现的nH狄拉克和外尔哈密顿受时间反演不变的伪磁场，使新的nH物理的探索。我们从特殊点和环的nH朗道量子化中识别出具有通用实能谱的低能物理，它可以避免nH趋肤效应，并提供了准粒子在复平面内运动的物理例子。现实的检测方案被设计成探测平坦的能带，亚晶格极化，边缘状态保护的nH能量反射对称性，和一个特性nodeless概率分布。
2020-01-30 cond-mat.mes-hall cond-mat.other quant-ph
Unsupervised and supervised learning of interacting topological phases from single-particle correlation functions
机器学习算法的最新进展推动了这些技术在凝聚态物理领域的应用，以便例如对处于平衡的物质相进行分类或预测大量物理模型的实时动态。通常在这些工作中，机器学习算法在来自相同物理模型的数据上进行训练和测试。在这里，我们证明了无监督和有监督的机器学习技术能够在可解模型的数据上进行训练时预测非精确可解模型的阶段。特别是，我们采用了由非相互作用的量子线的单粒子关联函数，并通过使用主成分分析，k-均值聚类和卷积神经网络的训练集，我们重建的相互作用的超导体的相图。我们表明，主成分分析和卷积神经网络的非相互作用模型的数据训练可以识别的相互作用模型的拓扑相位具有很高的准确度。我们的研究结果表明，从存在的相互作用的物质出现的非平凡的阶段，可以通过应用于非相互作用系统的数据的无监督和监督技术来确定。
2023-03-13 cond-mat.dis-nn cond-mat.supr-con quant-ph
Quantum-enhanced unsupervised image segmentation for medical images analysis
Ingenii Inc.（英格尼公司）
本文提出首个端到端量子增强无监督乳腺X线图像分割框架，将分割任务建模为QUBO问题，实验证明量子退火和变分量子电路性能可比经典优化及UNet等有监督方法，且量子退火速度快一个数量级。
2024-11-22 cs.CV eess.IV quant-ph
Sample Complexity of Learning Parametric Quantum Circuits
Shanghai Qi Zhi Institute（上海期智研究院）
量子计算机为机器学习应用提供了前所未有的潜力。在这里，我们证明了物理量子线路是PAC（可能近似正确）通过经验风险最小化在量子计算机上学习：学习一个参数量子电路与最多$n^c$门和每个门作用于一个常数数量的量子位，样本复杂性是由$\tilde{O}(n^{c+1})$。特别地，我们明确地构造了一族以固定模式排列的$O(n^{c+1})$基本门的变分量子线路，它可以表示至多由$n^c$基本门组成的所有物理量子线路。我们的研究结果为量子机器学习的理论和实践提供了有价值的指导。
2022-01-01 cs.LG math-ph math.MP
