关键词：机器学习，凝聚态物理，量子卷积神经网络，量子相分类
论文题目：Model-Independent Learning of Quantum Phases of Matter with Quantum Convolutional Neural Networks
论文来源：Physical Review Letters
论文链接：https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.130.220603
物质的相（Phases of matter）传统上通过测量序参量来识别，包括对称破缺相的局部序参量，和一维对称保护拓扑相（symmetry-protected topological phase，SPT）的弦序参量（string order parameters）。最近，经典和量子机器学习方法已经被引入来解决量子相分类的任务。
量子卷积神经网络（Quantum Convolutional Neural Networks，QCNN）被引入作为能隙量子物相的分类器。最近发表于Physical Review Letters的这篇文章提出了一个独立于模型的协议，用于训练量子卷积神经网络，能够发现在相保持扰动下不变的序参量。他们用量子相的固定点波函数初始化训练序列，并添加尊重系统对称性的平移不变噪声，以掩盖短长度尺度的固定点结构。通过在一维时间反演对称保护的拓扑相上训练QCNN来说明这种方法，并在表现出平凡、对称性破缺和对称性保护拓扑序的几个时间反演对称模型上进行测试。
QCNN发现一组序参量，可识别所有三个相并准确地预测相边界的位置。该协议为在可编程量子处理器上实现量子相分类器的硬件高效训练铺平了道路。
图2. QCNN预测相图。平凡（Trivial）、对称性破缺（SB）和对称性保护拓扑序（SPT）三种相。
推荐阅读
