研究人员探索了使用变分量子算法（VQAs）和经典卷积神经网络（CNNs）在多量子比特量子系统中进行熵估计。对于较小的系统（最多三个量子比特），VQAs表明精度主要取决于可训练参数的数量。对于较大的系统（两个到五个量子比特），在测量结果上训练的CNN在准确性和稳定性方面表现出预测能力，并且随着系统尺寸的增加，性能有所提高。对于四到五量子比特系统的准确预测，CNN方法被证明对噪声具有鲁棒性，并且比完整的状态层析成像需要更少的测量。 AI
影响 这项研究强调了经典神经网络在扩展和提高量子系统分析的鲁棒性方面的潜力。
排序理由 该集群描述了一篇发表在arXiv上的研究论文，其中详细介绍了量子系统中熵估计的新方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.20504v1 Announce Type: cross Abstract: We present a systematic study of von Neumann entropy estimation in multi-qutrit quantum systems using two complementary approaches: variational quantum algorithms (VQAs) and classical convolutional neural networks (CNNs), evaluate…
We present a systematic study of von Neumann entropy estimation in multi-qutrit quantum systems using two complementary approaches: variational quantum algorithms (VQAs) and classical convolutional neural networks (CNNs), evaluated using an ideal (noise-free) quantum simulator. F…