韩国首尔大学

Nature子刊，基于量子实验数据进行机器学习，用于解决量子多体问题

编辑 | 萝卜皮量子硬件实现方面的进步使得人们能够获取传统计算机无法模拟的数据。将传统机器学习 (ML) 算法与这些数据相结合，有望揭示隐藏的模式。与仅使用传统计算机相比，这种混合方法扩展了可有效解决的问题类别，但由于当前量子计算机中噪声的普遍存在，这种方法仅能用于解决受限问题。韩国首尔大学（Seoul National University）的研究人员扩展了混合方法的适用性，用于解决多体物理学中的挑战，例如预测给定哈密顿量的基态性质以及对量子相进行分类。通过在具有 127 个量子比特的超导量子硬件上进行各种减少误