Кванттык уячалуу автомат (quantum cellular automaton, QCA), кванттык маалыматты алып жүргөн жергиликтүү уячалар белгилүү бир коңшулук эрежеси боюнча кайталанма кванттык дарбазалар аркылуу катмардан катмарга иштетилген кванттык эсептөө архитектурасы. Бул изилдөө диссипативдүү кванттык көп-денелүү физикадагы фазалык өтүү, алсыз \(\mathbb{Z}_2\) симметриясы жана убактылуу эргодикалуулуктун бузулушу механизмдерин колдонуп, QCAнын экилик классификация жөндөмү алдын ала кол менен тандалган физикалык параметрлерден гана чыкпастан, окутуу маалыматтарынан градиентке негизделген оптималдаштыруу аркылуу үйрөнүлө аларын көрсөткөн теориялык жана сандык изилдөө.
Модель жергиликтүү өз ара аракеттенүү жана диссипация камтыган \(\mathbb{Z}_2\)-симметриялуу диссипативдүү Ising динамикасынан шыктанган. Термодинамикалык чекте бул физикалык модель парамагниттик жана ферромагниттик режимдердин ортосунда үзгүлтүксүз фазалык өтүүнү көрсөтүшү мүмкүн. Ферромагниттик режимде \(x\)-магниттелүүнүн stationary order parameter-и \(m_\infty^x\) симметрия менен байланышкан оң же терс эки маанинин бирин ала алат. Баштапкы абал кайсы тартылуу бассейнинде жайгашса, система кайсы туруктуу чекитке барарын ошол аныктайт.
Бирок изилдөөдө колдонулган QCA чектүү өлчөмдө. Чектүү системада туруктуу спонтандык симметриянын бузулушу жана чексиз убакытка созулган катуу эргодикалуулуктун бузулушу күтүлбөйт. Анын ордуна авторлор аралык катмарларда эки квази-туруктуу чекит айланасында топтолуу пайда болгон убактылуу эргодикалык эмес терезе бар экенин көрсөтөт. QCAнын чыгыш катмары ушул убакыт терезесине жайгаштырылганда макроскопиялык жактан айырмалуу эки \(m^x\) мааниси эки класс катары окулушу мүмкүн. Узагыраак убакытта бардык баштапкы абалдар бир stationary state-ке жакындайт жана \(m^x\rightarrow0\) болот; башкача айтканда, эргодикалуулук кайра келет.
Фазалык өтүүнүн негизги тартип параметри — катмардагы бардык кубиттердин нормалдаштырылган \(x\)-магниттелүүсү. Mean-field эсептөөлөрү ферромагниттик фазалык аймакты болжолдойт. Бир өлчөмдө nearest-neighbor correlations эске алынганда бул ферромагниттик аймак кичирейет, бирок булакта изилденген өтүү үзгүлтүксүз бойдон калып, \(\mathbb{Z}_2\) симметриясынын бузулуу мүнөзүн сактайт.
Түз QCA симуляцияларында \(\Omega=3\kappa\), \(V=15\kappa\) жана \(\kappa\delta t=0.1\) колдонулат. Баштапкы order parameter маанилери \(m_0^x\in[-0.5,0.5]\) аралыгын камтыган 2.000 абалдын эволюциясында \(N=10\) үчүн убактылуу эки-кластердүү түзүлүш көрүнөт; \(N=100\) болгондо ошол эле bimodal түзүлүш айкыныраак болуп, гистограмма чокулары курчураак болот. Бул өлчөмгө көз карандылык квази-туруктуу чекит жүрүмүнүн emergent many-body мүнөзүн колдойт.
Окутуу көрсөтмөсүндө Hamiltonian туруктуу кармалат жана бир гана jump operator:
ичиндеги эки чыныгы параметр \(a\) жана \(b\) оптималдаштырылат. Төрт input–target окутуу жуптары классификация кыла алган эталон QCAдан түзүлөт. Классификация кылбаган \(a=-0.15,\;b=-1\) баштапкы чекитинен чыккан QCA \(L=10\) тереңдикте, \(\epsilon=80\) learning rate жана негизги көрсөтмөдө 100 parameter-update кайталоосу менен окутулат. Окутуудан кийин бир чокулуу output-magnetization бөлүштүрүлүшү эки даана чокуга бөлүнөт; бул эки чоку экилик классификация жүрүмү болуп саналат.
Жоготуу функциясы бүт кванттык чыгыш абалынын target state менен fidelity-син өлчөөнүн ордуна физикалык order parameter-деги катаны өлчөйт. Булакта \(N=20\) үчүн \((a,b)\) параметр тегиздигиндеги loss landscape кең жана ачык минимум көрсөткөнү берилет. Авторлор бул physics-informed loss түзүлүшү чоң абал мейкиндиктеринде пайда боло турган barren-plateau тибиндеги trainability көйгөйлөрүнө каршы артыкчылык бере аларын айтышат. Бирок изилдөө бардык QCA же кванттык нейрон тармактарында barren plateau математикалык түрдө жок кылынганын далилдебейт.
Изилдөөдөгү “large-scale” деген сөз айкашы чоң физикалык кванттык процессор эксперимент жүзүндө окутулганын билдирбейт. Сандык эсептөөлөр matrix product states жана matrix product operators колдонгон tensor-network симуляциялары менен классикалык эсептөө чөйрөсүндө жүргүзүлгөн. Булакта талкууланган абал мейкиндиги \(N=20\) үчүн \(4^N\times4^N\), болжол менен \(10^{24}\) масштабына жетет; tensor-network representation мындай чоң мейкиндикти толук тыгыз матрица түрүндө сактабай эле тиешелүү түзүлүштү кысылган формада иштетүүгө мүмкүндүк берет.
Изилдөөнүн негизги көйгөйү
Жалпы кванттык машиналык үйрөнүү архитектурасында эки өзүнчө көйгөй бар. Биринчиси — кванттык динамиканын кайсы физикалык касиети маалымат иштетүүдө колдонуларын түшүнүү. Экинчиси — ошол касиетти пайда кылган параметрлерди окутуу маалыматтарынан ишенимдүү үйрөнүүгө болобу деген суроо.
Бул изилдөө классификацияны түздөн-түз көп-денелүү системадагы фазалык өтүү, симметриянын бузулушу, квази-туруктуу чекит жана order parameter түшүнүктөрүнө байланыштырат. Ошентип, классификация үчүн абстракттуу жогорку өлчөмдүү target-state fidelity ордуна физикалык жактан чечмелене турган макроскопиялык чоңдук колдонулат.
Классикалык Hopfield тармактарында тартылуу бассейндери жана туруктуу чекиттер эс же үлгү катары чечмелениши мүмкүн. Булак окшош физикалык логика dissipative quantum many-body dynamics ичинде QCA маалымат иштетүү функциясына айлана аларын изилдейт. Негизги идея — ар түрдүү баштапкы абалдардын убактылуу түрдө бири-биринен ажыраган эки макроскопиялык динамикалык жолго багытталышы.
Кванттык Уячалуу Автомат Бул Изилдөөдө Классификацияны Кантип Аткарды?
Бул изилдөөдөгү кванттык уячалуу автомат баштапкы кванттык абалдарды диссипативдүү Ising-сыяктуу динамика астында эволюциялап, убактылуу эргодикалык эмес убакыт терезесинде \(x\)-магниттелүүнү \(\mathbb{Z}_2\) симметриясы аркылуу байланышкан эки квази-туруктуу маанинин бирине багыттайт; QCAнын чыгыш катмары ушул терезеге коюлганда оң жана терс order-parameter топтору эки өзүнчө класс катары окулат, бирок узак убакытта бул айырма жоголуп, система кайра бир stationary state-ке жакындайт.
QCAнын геометриясы жана катмар логикасы
Булак QCAны эки өлчөмдүү кубит торунда аныктайт. Тик багытта \(N\) site, туурасынан \(L+1\) катмар бар.
Ар бир site эки негизги абалга ээ кубит:
Тик мамыча белгилүү \(t\) убакыт индексиндеги QCA катмары. Биринчи катмарга:
кирүүчү кванттык абал жайгаштырылат. Кийинки катмарлар башында вакуум абалында болот.
Горизонталдык багыт физикалык мейкиндик координаты болууга тийиш эмес; ал QCAнын кайталануучу эсептөө/убакыт багыты катары чечмеленет. Ошентип:
катмарлары диссипативдүү кванттык spin чынжырынын дискреттик убакыт үлгүлөрү сыяктуу иштейт.
Кванттык абал бир катмардан экинчисине кантип өткөрүлөт?
Булак QCA абал жаңыртуусун Теңдеме (1) менен аныктайт:
Формула эмнени эсептейт? Мурунку катмардын reduced density matrix-и \(\rho_{t-1}\) ден жаңы катмардын reduced density matrix-и \(\rho_t\) ни чыгарат.
\(\rho_{t-1}\): мурунку QCA катмарындагы кванттык абал.
\(|\mathbf 0\rangle\langle\mathbf 0|\): жаңы катмардагы кубиттердин баштапкы вакуум абалы.
\(\mathcal G\): эки коңшу катмарга колдонулган global quantum gate.
\(\mathcal G^\dagger\): global gate тин Hermitian conjugate-ы.
\(\mathrm{Tr}_{t-1}\): эски катмардын degrees of freedom-дары боюнча partial trace алат. Башкача айтканда, эски катмар эми чыгыш системасынын бөлүгү эмес.
Бул пункт диссипативдүү динамиканы түшүнүү үчүн маанилүү. Эки катмар чоңураак кванттык системада gate evolution өткөндө, мурунку катмарды trace кылуу жаңы катмардын reduced dynamics-ин жалпысынан nonunitary кылат. Ошентип gate-based QCA Markovian open-quantum-system динамикасына жакындай алат.
Global gate кантип түзүлөт?
Жергиликтүү дарбазалар:
коңшу эки катмардын \(k\)-site аймагында аракеттенет. Global эки-катмар gate чектик мүчөлөрдөн тышкары:
түрүндө түзүлөт.
Булактын Теңдеме (2) си:
Бул жерде булак:
аныктамасын колдонот.
Оң жактагы экспоненциалдык мүчө:
мурунку катмардагы системанын \(H_k\) жергиликтүү Hamiltonian-ы астында coherent evolution жаратат.
Ортодогу экспоненциалдык мүчө:
эски жана жаңы катмар ортосунда \(J_k\) jump operator-лоруна байланышкан өз ара аракеттенүүнү түзөт. Жаңы катмар менен аракеттенүүдөн кийин эски катмарды trace кылуу effective dissipative dynamics жаратат.
\(\mathrm{SWAP}_k\): тиешелүү эски жана жаңы катмар кубиттеринин абалдарын алмаштырат.
\(\delta t\): дискреттик убакыт кадамы. Булак \(\delta t\ll1\) чегинде катмар жаңыртуусу үзгүлтүксүз Markovian dissipative dynamics-ке жакындай турганын колдонот.
QCA менен Lindblad динамикасынын байланышы
Кичине \(\delta t\) үчүн:
Бул жердеги \(\mathcal L\) — Lindblad generator:
\([\ ,\ ]\): commutator. Биринчи мүчө Hamiltonian булагындагы coherent quantum dynamics-ти билдирет.
\(\{\ ,\ \}\): anticommutator.
\(J_k\bullet J_k^\dagger-\frac12\{J_k^\dagger J_k,\bullet\}\): Lindblad dissipator-догу jump-process contribution.
\(\bullet\): superoperator таасир эткен density operator үчүн орун кармоочу.
Демек изилдөө “кванттык чынжыр катмарлары” тили менен эле чектелбейт; ошол эле QCAны dissipative many-body quantum dynamics жагынан чечмелейт. Классификация механизминин физикалык түшүндүрмөсү да ушул байланыш аркылуу курулат.
Ising-сыяктуу жергиликтүү Hamiltonian жана диссипация
Булак атайын классификатор модели үчүн:
колдонот.
\(\Omega\): transverse field strength.
\(V\): nearest-neighbor spin interaction strength.
\(\kappa\): \(z\)-basis теги local decay rate.
\(\sigma_k^-\): lowering operator.
Фаза диаграммасындагы табигый өлчөмсүз башкаруу параметрлери:
катары колдонулат. Ошентип абсолюттук энергия/жыштык масштабынан көрө coherent drive менен interaction-дын decay scale ге салыштырмалуу чоңдугу салыштырылат.
Алсыз \(\mathbb{Z}_2\) Симметриясы Классификация үчүн Эмне Үчүн Маанилүү?
Алсыз \(\mathbb{Z}_2\) симметриясы Lindblad generator глобалдык \(z\)-parity өзгөртүүсүндө өзгөрбөй калышын жана \(m^x\) order parameter дин симметрия менен байланышкан \(+m^x\) жана \(-m^x\) динамикалык бутактары пайда болушун камсыздайт; термодинамикалык моделде бул эки бутак symmetry-broken fixed points түзсө, чектүү QCAда ошол түзүлүш убактылуу эки квази-туруктуу чекит болуп көрүнөт жана ушул эки макроскопиялык чыгыш экилик классификациянын физикалык негизин түзөт.
Алсыз симметрия математикалык түрдө кантип жазылат?
Булак global parity superoperator-ду:
менен аныктайт.
Weak symmetry шарты:
түрүндө.
Бул Lindblad evolution менен parity transformation шайкеш экенин билдирет. Баштапкы абалдын parity-өзгөртүлгөн жупунун динамикасы оригинал динамиканын parity-өзгөртүлгөн аналогу болуп саналат.
\(\sigma^z\) өзгөртүүсүндө \(x\)-магниттелүү белгисин өзгөртөт. Ошондуктан бири-биринин симметриялык жубу болгон эки абал:
түрүндө жуптала алат.
Эргодикалуулук деген эмне?
Бул изилдөөнүн контекстинде эргодикалуулук узак убакыттагы жүрүм баштапкы абал тууралуу маалыматты жоготуп, ар түрдүү баштапкы абалдар бирдей stationary behavior га багытталышы менен байланыштуу.
Эргодикалуулук бузулганда ар түрдүү initial conditions ар башка attraction basin дерде болуп, ар башка узак-убакыт же metastable/quasi-stationary түзүлүштөргө багытталышы мүмкүн.
Бул айырма классификация жагынан табигый:
- бир эле basin ге багытталган кирүүлөр бир класска,
- башка basin ге багытталган кирүүлөр башка класска
таандык кылынышы мүмкүн.
Fixed point менен quasi-fixed point ортосундагы айырма
Fixed point, динамика чындап өзгөрбөй кала ала турган stationary абал.
Quasi-fixed point, чектүү убакыт аралыгында динамика анын жанында узак кармалып, бирок чексиз убакытта туруктуу болууга милдеттүү эмес metastable-сыяктуу динамикалык түзүлүш.
Бул макаладагы QCA классификациясы үчүн экинчи түшүнүк өтө маанилүү. Чектүү QCAнын эки классы туруктуу эки stationary state эмес; transient window ичиндеги эки quasi-fixed pointtir.
Order parameter кантип аныкталат?
Булак magnetization components-ты:
менен аныктайт.
\(N\): бир катмардагы кубиттердин саны.
\(\sigma_k^\mu\): \(k\)-site үстүндөгү Pauli operator.
\(\rho_t\): \(t\)-катмардын density matrix-и.
\(m_t^\mu\): бүт катмарга жайылган нормалдаштырылган коллективдүү magnetization.
Булактын нормалдаштыруусуна ылайык таза product-state sampling де бир-кубиттик Bloch компоненттерине туура келген \(m^\mu\) маанилеринин табигый чеги:
болот.
Mean-field ыкмасы деген эмне?
Mean-field approximation көп-денелүү density matrix-ти translation-invariant бир-site абалдарынын көбөйтүндүсү менен жакындатат:
Бул ыкмада site тердин ортосундагы connected quantum correlations өзүнчө көз карандысыз өзгөрмөлөр катары кармалбайт. Ар бир site башкалардын орточо таасирин сезет.
Булактын бир өлчөмдөгү mean-field equations-ы:
Теңдеме (6a) эмнени түшүндүрөт?
туюнтмада \(-\Omega m^y\) transverse-field булагындагы coherent rotation coupling-ти; \(-\kappa m^x/2\) болсо dissipative decay дин \(x\)-magnetization үстүндөгү өчүрүүчү таасирин билдирет.
Теңдеме (6b) эмнени түшүндүрөт?
туюнтма field-induced rotation менен many-body interaction contribution-ды бириктирет. \(2Vm^xm^z\) сызыктуу эмес мүчөсүнөн улам коллективдүү динамика көз карандысыз бир-кубиттик айлануулардан гана турбайт.
Теңдеме (6c) эмнени түшүндүрөт?
туюнтмада interaction term \(x\) жана \(y\) magnetization components аркылуу \(z\) компонентине таасир этет. Dissipative term системаны булактын нормалдаштыруусунда \(m^z=-1/2\) багытына сүрөйт.
Фазаларды бөлгөн order parameter
Stationary \(x\)-magnetization:
фазаны бөлүү үчүн колдонулат.
| Режим | Stationary \(m_\infty^x\) | Симметрия | Динамикалык түшүндүрмө |
|---|---|---|---|
| Парамагниттик (PM) | \(0\) | \(\mathbb{Z}_2\) бузулган эмес | Бир stationary чечим |
| Ферромагниттик (FM) | \(\neq0\) | \(\mathbb{Z}_2\) бузулган | \(+m_\infty^x\) же \(-m_\infty^x\); баштапкы абалга көз каранды эки бутак |
Nearest-neighbor correlations эмне үчүн өзүнчө изилденет?
QCA бир өлчөмдүү spin чынжырынын динамикасына туура келгендиктен fluctuations жана spatial correlations mean-field approximation божомолдорун өзгөртө алат. Ошондуктан авторлор бир nearest-neighbor bond үстүндөгү эки-денелүү корреляцияларды ачык сактаган өркүндөтүлгөн жакындаштырууну түзүшөт.
Булактын жыйынтыгына ылайык nearest-neighbor correlations:
- ферромагниттик фазанын параметр мейкиндигиндеги аймагын кичирейтет,
- бирок изилденген PM–FM фазалык өтүүнүн үзгүлтүксүз мүнөзүн өзгөртпөйт,
- \(\mathbb{Z}_2\) symmetry-breaking механизмин жок кылбайт.
Nearest-neighbor ыкмасынын негизги тыгыздык матрицасы
Supplementary Material бир-site жана эки-site reduced density matrices-ти:
менен аныктайт.
Бир nearest-neighbor bond үстүндөгү connected correlation:
түрүндө.
Mean-field абал:
болгондуктан таза mean-field чегинде:
Корреляцияланган trial state тин негизги түзүлүшү:
Бул ыкмада тандалган nearest-neighbor bond үстүндөгү эки-site correlation ачык сакталат, ал эми айланадагы башка site тердин таасири mean-field деңгээлинде кармалат.
Координация саны \(q\) эмнени билдирет?
Кошумча материал моделди жалпы \(d\)-өлчөмдүү hypercubic lattice үстүндө жазат:
\(q\) — бир site тин nearest-neighbor саны. Жалпы bond саны:
болот. QCA үчүн каралган бир өлчөмдүү учурда:
Ошондуктан бир-bond корреляция түзөтүүсү төмөн өлчөмдө көңүл сыртында калтыргыдай эмес.
Бир-site жана эки-site Hamiltonian бөлүктөрү
Supplementary Material:
жана:
бөлүнүүсүн колдонот.
Эки-body reduced density matrix тин exact dynamics и жалпы учурда үч-body density matrix ке байланышкандыктан BBGKY-сыяктуу hierarchy пайда болот. Бул hierarchy өзүнөн өзү жабык эмес. Булак:
жакындашуусу менен тандалган \(a,b\) bond ун exact сактап, чөйрөнү factorized mean-field катары карап системаны жабат.
Эки-site density matrix тин Pauli базисиндеги ажыратылышы
Эки кубиттик reduced density matrix Pauli basis үстүндө:
түрүндө берилет.
Эки-point correlation functions:
Бир-site magnetization components болсо translation invariance шартында:
Бул параметрлештирүүнүн натыйжасында үч one-point жана тогуз two-point quantity, жалпы 12 көз карандысыз динамикалык өзгөрмө алынат.
Nearest-neighbor корреляциялуу 12 кыймыл теңдемеси
Булактын Supplementary Material бөлүмүндө фаза диаграммасынын correlation-corrected версиясын чыгаруу үчүн төмөнкү теңдемелер системасы колдонулат:
Бул теңдемелерде эки башка физикалык салым көрүнөт. Тандалган bond үстүндөгү terms \(Vm^{z,x}\), \(Vm^{y,x}\) сыяктуу explicit two-point correlations камтыйт; калган \(q-1\) коңшунун таасири \(V(q-1)m^\alpha m^\beta\) түрүндөгү mean-field terms аркылуу келет.
Булактын маанилүү өлчөм жыйынтыгы мындай: бир өлчөмдө \(q=2\) болгондуктан exact сакталган бир-bond корреляциясы менен айланадагы mean-field contribution бирдей тартипте. \(q\gg1\) болгон жогорку өлчөмдөрдө болсо бир bond ун contribution ы салыштырмалуу кичирейип, mean-field ыкмасы табигыйраак болот.
Жогорку координация санында mean-field чеги
\(q\gg1\) үчүн:
factorization колдонулганда система:
теңдемелерине келет.
Бир өлчөм үчүн \(q=2\) коюлганда негизги тексттеги Теңдеме (6a)–(6c) кайра алынат.
Изилдөөнүн Ыкмасы жана Жыйынтыктары
Фаза диаграммасын талдоо
Авторлор алгач dissipative Ising-inspired моделдин stationary phase diagram ын mean-field менен чечишет. Горизонталдык огу:
dimensionless field strength, вертикалдык огу:
dimensionless interaction strength.
Mean-field phase map эки негизги аймакты көрсөтөт:
- \(m_\infty^x=0\) болгон парамагниттик аймак,
- \(|m_\infty^x|>0\) болгон ферромагниттик symmetry-broken аймак.
Nearest-neighbor correlations кошулганда FM аймагы кичирейет. Булак \(V=3\kappa\) сызыгы боюнча кесилиште mean-field да, correlation-corrected чечим да PM–FM өтүүсүн үзгүлтүксүз көрсөткөнүн билдирет.
Булак графигинин чийки grid маанилери берилбегендиктен Verianla белгилүү бир \(\Omega/\kappa\) критикалык маанисин сүрөттөн окуп так сан катары чыгарбайт.
Finite-size QCAда transient ergodicity breaking
Түз QCA симуляциясында колдонулган негизги шарттар:
| Параметр | Булак мааниси | Мааниси |
|---|---|---|
| \(\Omega\) | \(3\kappa\) | Transverse field |
| \(V\) | \(15\kappa\) | Nearest-neighbor interaction |
| \(\kappa\delta t\) | 0.1 | Өлчөмсүз дискреттик убакыт кадамы |
| Initial states | 2.000 | \(m_0^x\in[-0.5,0.5]\) аралыгын камтыган баштапкы абалдар |
| Система өлчөмдөрү | \(N=10\) жана \(N=100\) | Ар бир layer үчүн кубит саны |
| \(\chi_{\mathrm{MPS}}\) | 48 | Matrix-product-state bond dimension |
| \(\chi_{\mathrm{MPO}}\) | 16 | Matrix-product-operator bond dimension |
| Гистограмма катмары | \(t=8\) | Transient bimodality изилденген катмар |
| Histogram bin size | 0.005 | Булак гистограммасынын bin туурасы |
\(N=10\) жана \(N=100\) салыштырылышы
\(N=10\) болгондо 2.000 magnetization trajectory аралык катмарларда эки quasi-fixed value айланасында топтоло баштайт жана \(t=8\) гистограммасы bimodal түзүлүштү көрсөтөт.
\(N=100\) болгондо эки топтун гистограмма чокулары бийигирээк жана курчураак болот. Булак муну quasi-fixed point тер система өлчөмү өскөн сайын айкыныраак болгон emergent жүрүм катары чечмелейт.
Бирок бул эки чоку чексиз убакытта туруктуу калбайт. Көбүрөөк QCA тереңдигинде trajectories бир \(m^x=0\) stationary state ке жакындайт.
Баштапкы абалдар кантип түзүлөт?
Supplementary Material да адегенде \(n=1000\) translation-invariant product states түзүлөт:
Бир-кубиттик таза абал:
Bloch-sphere бурчтары magnetization components аркылуу:
жана:
шарты менен аныкталат.
Эмне үчүн arctan2 колдонулат?
Кадимки \(\arctan(y/x)\) \(x\) жана \(y\) белгилерине жараша кайсы quadrant та экенин жалгыз өзү ишенимдүү ажырата албайт. \(\operatorname{arctan2}(y,x)\) \(x\) жана \(y\) белгилерин чогуу колдонуп туура \(\phi\in(-\pi,\pi]\) бурчун тандайт.
Алгачкы 1.000 state кантип uniform бөлүштүрүлөт?
Булак адегенде:
аралыгында uniform sampling жүргүзөт.
Андан кийин:
менен калган эки component аныкталат.
Бул sampling Bloch sphere үстүндө Haar-uniform sampling катары аныкталган эмес. Булактын максаты \(m_0^x\) order parameter огун bias түзбөй камтуу.
Калган 1.000 баштапкы абал кантип алынат?
Экинчи 1.000 абал өзүнчө кайра үлгүлөнбөйт; биринчи 1.000 абалдын \(\mathbb Z_2\) өнөктөштөрү түзүлөт:
Мунун натыйжасы:
болот.
QCA map \(\Lambda\) үчүн weak symmetry:
болгондуктан бардык катмарларда:
симметрия сакталат.
Бул sampling ыкмасы эмне үчүн маанилүү?
Эгер баштапкы абалдар \(m_0^x\) боюнча тең салмаксыз үлгүлөнсө, output гистограммасындагы эки чокунун бийиктиги же тыгыздык түзүлүшү sampling bias таасирине кабылышы мүмкүн эле. Ошондуктан булак \(m_0^x\) огун симметриялуу камтыган 2.000 абал түзөт.
Окутула турган jump operator
Classification-capable физикалык моделде jump operator:
түрүндө. Окутуунун максаты — QCA муну түз билбей туруп ылайыктуу dissipative coupling ди үйрөнө алабы деген суроону текшерүү.
Бул үчүн эки trainable real parameter колдонулат:
\(a\): \(\sigma^x\) contribution дун чыныгы коэффициенти.
\(b\): \(i\sigma^y\) contribution дун чыныгы коэффициенти.
Бул параметрлештирүү ылайыктуу \(a,b\) маанилери үчүн булак Ising jump operator ун да камтыйт.
Окутуу учурунда \(H_k\) Hamiltonian дар жаңыртылбайт. Башкача айтканда, изилдөө бүт QCA gate structure ды эркин оптималдаштырбайт; jump operator дун эки global параметрин гана окутат.
Окутуу маалыматы кантип даярдалат?
Булак окутуу маалыматын:
input state–target magnetization жуптары катары аныктайт.
Негизги окутуу көрсөтмөсүндө:
Бул төрт target pair классификация касиетине ээ эталон QCAнын эволюциясынан алынат.
Эталон QCA:
маанилерин колдонот жана бул тандоо \(\sigma^-\)-типтеги jump operator ду ишке ашырат.
Бул пунктту 2.000 trajectories менен чаташтырбоо керек: модель төрт training pair менен окутулат; 2.000 баштапкы абал окутууга чейин/кийин динамикалык классификация түзүлүшүн визуалдаштыруу үчүн колдонулат.
Тартип Параметрине Негизделген Жоготуу Функциясы Эмне Үчүн Маанилүү?
Изилдөөнүн тартип параметрине негизделген жоготуу функциясы жогорку өлчөмдүү кванттык чыгыш абалын толугу менен target state менен салыштыруунун ордуна классификацияны физикалык жактан алып жүргөн макроскопиялык \(x\)-магниттелүүнүн максат мааниден четтөөсүн жазалайт; булакта бул тандоо \((a,b)\) параметр тегиздигинде кең жана так минимумдары бар структураланган loss landscape түзүп, gradient-descent окутуунун чоң абал мейкиндигинде колдонууга жарамдуу бойдон калышына жардам берет.
Жоготуу функциясынын толук түзүлүшү
Булак Теңдеме (8):
Формула эмнени эсептейт? Ар бир training sample үчүн QCA output order parameter менен максат output magnetization ортосундагы айырманы эсептеп, квадратын алып, бардык \(P\) үлгү боюнча орточолойт.
\(\rho_{\mathrm{out}}^{(\nu)}\): \(\nu\)-input state тин QCA чыгыш density matrix-и.
\(m_{x,\mathrm{out}}^{(\nu)}\): \(\nu\)-үлгү үчүн керектүү target output magnetization.
\(\frac1{2N}\sum_k\sigma_k^x\): физикалык classification observable.
Бул loss бардык quantum state amplitudes ди бирден target state ке дал келтирүүгө мажбурлабайт. Классификация үчүн маанилүү болгон жалгыз макроскопиялык output quantity ни оптималдаштырат.
Barren plateau менен байланыш
Barren plateau — айрым параметрдик quantum circuits те система чоңойгон сайын cost-function gradient тери өтө кичине болуп, optimization landscape чоң аймактарда дээрлик тегиз болуп калуу көйгөйү.
Булакта order-parameter loss тун \((a,b)\) тегиздигиндеги landscape и структураланган жана кең минимум көрсөтөт. Авторлор муну physics-informed architecture жана physical order-parameter loss менен байланыштуу деп талкуулашат.
Бирок жыйынтык төмөнкүдөй чектелиши керек:
- изилдөө каралган QCA trainable экенин сандык түрдө көрсөтөт,
- loss landscape broad minima камтыганын көрсөтөт,
- fidelity-type losses менен белгилүү barren-plateau көйгөйлөрүнө концептуалдык каршы коюу түзөт,
- бирок бардык QCAларда же бардык система өлчөмдөрүндө barren plateau болбой турганын математикалык түрдө далилдебейт.
Gradient update
Jump operator параметрлери:
түрүндө жаңыртылат.
Бул жерде:
\(\widetilde a,\widetilde b\) loss ту эң тез азайткан steepest-descent багытын аныктайт; \(\epsilon\) болсо learning rate.
Негизги окутуу шарттары
| Элемент | Маани |
|---|---|
| QCA depth | \(L=10\) |
| Loss-landscape система өлчөмү | \(N=20\) |
| Training pair | \(P=4\) |
| Reference/teacher jump parameters | \(a=1/2,\;b=-1/2\) |
| Untrained баштапкы абал | \(a=-0.15,\;b=-1\) |
| Hamiltonian | \(\Omega=3\kappa,\;V=15\kappa\), окутууда туруктуу |
| Learning rate | \(\epsilon=80\) |
| Негизги 4-сүрөт update repetitions | 100 |
| \(\chi_{\mathrm{MPS}}\) | 48 |
| \(\chi_{\mathrm{MPO}}\) | 16 |
| Output бөлүштүрүлүшүн көрсөткөн initial states | 2.000 |
| Histogram bin size | 0.005 |
Окутууга чейин эмне болот?
\(a=-0.15,\;b=-1\) параметрлери менен башталган untrained QCA эки quasi-fixed output class түзбөйт. \(L=10\) output катмарындагы \(m_{10}^x\) гистограммасы булакта бир чоку айланасында топтолот.
Окутуудан кийин эмне болот?
100 parameter update ден кийин output trajectories эки башка magnetization айланасында топтолот. Булак 4-сүрөттө аларды class A жана class B деп көрсөтөт жана output гистограммасы эки так чокуну камтыйт.
Бул QCA башында жок болгон binary classification capability ни training data дан үйрөнгөнүнүн булак ичиндеги түз көрсөтмөсү.
Эмне үчүн классификацияны эки параметр менен гана үйрөнүүгө болот?
Бул эксперимент жалпы кванттык нейрон тармагындагы миллиондогон эркин параметрлерди оптималдаштырбайт. Физикалык модель классификация механизмин мүмкүн кыла турган architecture жана symmetry structure ды буга чейин камтыйт. Окутуу системанын dissipative jump operator ун ылайыктуу physical regime ге алып барган эки coupling parameter ди гана табууга аракеттенет.
Ошондуктан изилдөө “ар кандай кванттык моделди төрт мисал менен окутса болот” деген жыйынтыкты колдобойт. Төрт training pair физикалык жактан алдын ала түзүлгөн ушул өзгөчө эки-параметрлүү demonstration үчүн жетиштүү болгон.
Абал мейкиндиги эмне үчүн ушунчалык чоң?
Бир \(N\)-кубиттик таза state тин Hilbert-space dimension ы экспоненциалдуу өсөт. Density-operator/superoperator description андан да чоң объекттерди талап кылат. Булак каралган state spaces үчүн:
масштабын берет.
\(N=20\) үчүн:
демек тиешелүү эки-индекстүү масштаб:
тартибинде.
Бул сан булактын “\(\sim10^{24}\)” деген сөзү эмнени билдирерин түшүндүрүү үчүн арифметикалык түрдө ачылган; жаңы симуляция жыйынтыгы эмес.
Tensor network эмне үчүн керек?
Толук density matrices жана superoperators түз сакталганда экспоненциалдуу өскөн эс жана эсептөө чыгымы пайда болот. Matrix product state жана matrix product operator representations айрым кванттык абалдар менен операторлордогу түзүлүштү кысылган tensorлор катары көрсөтүп, толук мейкиндиктин бардык коэффициенттерин explicit сактабай симуляция жүргүзүүгө мүмкүндүк берет.
Бул ыкманын негизги башкаруу параметри bond dimension \(\chi\). Жалпысынан жогору \(\chi\):
- көбүрөөк correlation/entanglement structure сактоого,
- төмөн truncation error га,
- бирок жогору computational cost ка
туура келет.
Bond-dimension туруктуулук текшерүүсү
| Талдоо | Эталон жөндөө | Текшерүү жөндөөсү | Булак жыйынтыгы |
|---|---|---|---|
| QCA dynamics | \(\chi_{\mathrm{MPS}}=48,\;\chi_{\mathrm{MPO}}=16\) | \(\chi_{\mathrm{MPS}}=96,\;\chi_{\mathrm{MPO}}=16\) | Көрүнүктүү сапаттык өзгөрүү жок; \(N=100\) гистограмма чокулары бир аз гана бийик. |
| QCA dynamics | \(\chi_{\mathrm{MPS}}=48,\;\chi_{\mathrm{MPO}}=16\) | \(\chi_{\mathrm{MPS}}=48,\;\chi_{\mathrm{MPO}}=32\) | Булак көрүнүктүү сапаттык өзгөрүү билдирбейт. |
| Training stability | \(\chi_{\mathrm{MPS}}=48,\;\chi_{\mathrm{MPO}}=16\) | \(\chi_{\mathrm{MPS}}=64,\;\chi_{\mathrm{MPO}}=16\) | Initial/trained dynamics, loss landscape жана gradient path негизги жыйынтык менен сапаттык жактан дал келет. |
| Training stability | \(\chi_{\mathrm{MPS}}=48,\;\chi_{\mathrm{MPO}}=16\) | \(\chi_{\mathrm{MPS}}=48,\;\chi_{\mathrm{MPO}}=32\) | Жыйынтыктар негизги training simulation менен сапаттык жактан бирдей калат. |
Supplementary training-stability текшерүүсүндө 50 update repetition, \(\epsilon=80\) жана \(N=20\) колдонулат. Бул сан негизги 4-сүрөттөгү 100 update repetition менен чаташтырылбашы керек.
Булак ошондой эле \(\chi_{\mathrm{MPO}}=16\) үчүн discarded singular values квадраттарынын суммасынын квадрат тамыры машина тактыгынын тартибинде экенин айтып, бул MPO bond dimension ды жетиштүү деп эсептейт.
Transient bimodality төмөн bond dimension артефактыбы?
Булактын Supplementary robustness tests и бул ыктымалды атайын текшерет. Bond dimensions көбөйтүлгөндө эки quasi-fixed-point түзүлүшү жана bimodal output distribution сапаттык жактан сакталышы байкалган transient ergodicity breaking бир гана \(\chi_{\mathrm{MPS}}=48\) же \(\chi_{\mathrm{MPO}}=16\) truncation тандоосу жараткан жөнөкөй артефакт эмес экенин колдойт.
Бул Изилдөө Кванттык Артыкчылыкты же Чыныгы Маалыматты Классификациялоодогу Ийгиликти Көрсөтөбү?
Жок; изилдөө tensor-network ыкмалары менен классикалык компьютерде симуляцияланган синтетикалык кванттык баштапкы абалдарды физикалык \(x\)-магниттелүү аркылуу эки класска бөлгөн QCAнын trainability син көрсөтөт, бирок чыныгы quantum hardware үстүндө quantum speedup же quantum advantage өлчөбөйт жана сүрөт, текст, биомедициналык маалымат же башка чыныгы дүйнө benchmark ында accuracy, F1 же AUC түрүндөгү классификация көрсөткүчтөрүн билдирбейт.
“Efficiently learned” деген сөз айкашы кандай түшүнүлүшү керек?
Булактын “efficiently learned” деген ырастоосу каралган physics-informed QCAда жогорку өлчөмдүү state space болгонуна карабастан order-parameter loss landscape broad minima жана колдонууга жарамдуу gradient structure көрсөтүшүнө негизделет.
Бул сөз айкашы:
- classical computational complexity жагынан polynomial-time proof,
- кванттык процессордо wall-clock speedup,
- classical classifier ге салыштырмалуу жогору accuracy,
- масштабдала турган fault-tolerant hardware demonstration
дегенди билдирбейт.
Multiclass classification бул макалада көрсөтүлдүбү?
Жок. Макаланын түз сандык demonstration ы \(\mathbb Z_2\)-symmetry жана эки quasi-fixed point себептүү binary classification боюнча.
Авторлор жогорку симметриялуу many-body systems колдонуп multiclass classification ушундай эле жол менен ишке ашырылышы мүмкүн экенин келечектеги/жалпыланма багыт катары талкуулашат. Бул макалада көрсөтүлгөн multiclass benchmark жыйынтыгы эмес.
NISQ жабдыгы колдонулдубу?
Жок. Булак NISQ devices үстүндөгү noise келечекте азайтылышы мүмкүнбү же QCA dynamics өзү effective dissipative болгондуктан айрым учурда ызы-чуу пайдалуу колдонулушу мүмкүнбү деген суроону келечек изилдөө маселеси катары коёт.
Ошондуктан изилдөө “NISQ ызы-чуусун ийгиликтүү колдонду” деген жыйынтыкты колдобойт.
Изилдөө түз колдогон жыйынтыктар
- Dissipative Ising-inspired QCA dynamics менен data classification ортосунда физикалык байланыш түзүлүшү мүмкүн.
- Thermodynamic-limit моделде \(\mathbb Z_2\)-symmetry breaking эки opposite order-parameter fixed point түзүшү мүмкүн.
- Finite-size QCAда туруктуу symmetry breaking ордуна transient ergodicity breaking жана эки quasi-fixed point пайда болушу мүмкүн.
- Чыгыш катмары transient non-ergodic window га коюлганда эки quasi-fixed point binary classes катары колдонулушу мүмкүн.
- Nearest-neighbor correlations mean-field ferromagnetic region ды кичирейтет, бирок булакта каралган өтүүнүн continuous character ын өзгөртпөйт.
- \(N=100\) болгондо transient bimodality \(N=10\) го караганда айкыныраак болот.
- Башында классификация кылбаган эки-параметрлүү QCA төрт training pair колдонуп binary classification behavior үйрөнө тургандай окутулушу мүмкүн.
- Order-parameter based loss каралган \((a,b)\) parameter plane де broad minimum камтыган structured loss landscape түзөт.
- Tensor-network bond dimensions көбөйтүлгөндө негизги transient dynamics жана training conclusions сапаттык жактан сакталат.
Изилдөө колдобогон жыйынтыктар
- Туруктуу ergodicity breaking finite QCAда болгондугу көрсөтүлгөн эмес; тескерисинче булак узак убакытта ergodicity кайра келерин көрсөтөт.
- Чыныгы quantum processor үстүндө окутуу жүргүзүлгөн эмес.
- Quantum computational advantage же quantum speedup көрсөтүлгөн эмес.
- Чыныгы дүйнө маалымат топтому классификацияланган эмес.
- Accuracy, precision, recall, F1 же AUC benchmark билдирилген эмес.
- Төрт training pair менен жалпы quantum machine learning көйгөйлөрүн чечүүгө болору көрсөтүлгөн эмес.
- Бардык quantum machine-learning architectures үчүн barren plateau жок кылынганы далилденген эмес.
- Multiclass classification бул изилдөөдө сандык түрдө көрсөтүлгөн эмес.
- NISQ noise пайдалуу экени эксперименталдык түрдө көрсөтүлгөн эмес.
- Tensor-network simulation физикалык quantum hardware execution менен бирдей computational cost ка ээ деп кабыл алууга болбойт.
Изилдөөнүн күчтүү жактары
- Классификация механизми абстракттуу black-box quantum circuit ордуна ачык many-body physics түшүнүктөрүнө байланышкан.
- Symmetry, phase transition, ergodicity breaking жана machine-learning trainability бир физикалык алкакта каралган.
- Mean-field жыйынтыктары nearest-neighbor correlations менен текшерилген.
- Finite-QCA dynamics түз tensor-network simulation менен изилденген.
- Initial-state sampling \(\mathbb Z_2\) symmetry колдонуп \(m_0^x\) боюнча тең салмактуу түзүлгөн.
- Training жана transient dynamics жыйынтыктары bond-dimension көбөйтүү менен robustness текшерүүсүнөн өткөрүлгөн.
- Loss function классификациянын физикалык order parameter и менен түз байланышкан.
Изилдөөнүн методикалык чектөөлөрү
- Жыйынтыктар классикалык tensor-network simulation га негизделет.
- Hardware noise, gate error жана physical-device connectivity түз текшерилген эмес.
- Окутуу demonstration ы болгону эки global jump-operator parameter камтыйт.
- Training set болгону төрт synthetic input–target pair ден турат.
- Классификация binary.
- Чыныгы дүйнө dataset benchmark жок.
- Standard ML performance metrics билдирилген эмес.
- Large-scale physical quantum hardware demonstration жок.
- Spatially жана temporally inhomogeneous \(k,t\)-dependent Hamiltonian/jump operators окутулган эмес.
- Order-parameter loss бардык QML architectures та barren plateau ну алдын алат деген жалпы theorem жок.
Келечектеги изилдөө багыттары
Булак үч маанилүү изилдөө багытын белгилейт.
Биринчиси, transient nonergodicity менен spectral-gap closing жана metastability ортосундагы байланышты тереңирээк түшүнүү.
Экинчиси, жергиликтүү Hamiltonian жана jump operators \(k\) site индексине жана \(t\) катмарга көз каранды боло алган кеңири spatially/temporally inhomogeneous parameter spaces ти окутуу.
Үчүнчүсү, ушул татаалыраак жана классикалык компьютерде кымбат түзүлүштөрдү quantum hardware үстүндө изилдөө жана NISQ noise dissipative QCA dynamics менен кандай өз ара аракеттенерин үйрөнүү.
Булак жана Ыкма Жөнүндө Эскертүү
Түпнуска аталыш: Training the classification capability of large-scale quantum cellular automata.
Авторлор: Mario Boneberg; Simon Kochsiek; Gabriele Perfetto; Igor Lesanovsky.
Жүктөлгөн булак версиясы: arXiv:2509.18262v1 [quant-ph], 22-сентябрь 2025.
Учурдагы рецензияланган басылма: Physical Review A, Volume 114, Issue 1, Article 012209.
Рецензияланган жарыя күнү: 16-июль 2026.
DOI: 10.1103/gds1-9vhy.
Келип түшкөн күнү: 3-октябрь 2025.
Ревизия күнү: 18-февраль 2026.
Кабыл алынган күнү: 1-июнь 2026.
Журнал: Physical Review A.
Басмакана: American Physical Society.
Рецензия статусу: Рецензияланган жана жарыяланган изилдөө макаласы. Жүктөлгөн изилдөө файлы болсо жарыялоого чейинки arXiv v1 текстин камтыйт.
Лицензия / кайра колдонуу: APSтин расмий макала барагы ©2026 American Physical Society жана all rights reserved маалыматтарын көрсөтөт; расмий жазууда Creative Commons ачык лицензиясы көрсөтүлгөн эмес. Ошондуктан булак фигуралары Verianla ичинде так көчүрүлгөн эмес, илимий байланыштар гана көз карандысыз source-derived схемалар менен кайра берилген.
Жүктөлгөн v1 аффилиациялары: Institut für Theoretische Physik, Universität Tübingen and Center for Integrated Quantum Science and Technology, Tübingen, Germany; School of Physics and Astronomy and Centre for the Mathematics and Theoretical Physics of Quantum Non-Equilibrium Systems, University of Nottingham, United Kingdom.
Жарыяланган APS версиясындагы учурдагы аффилиациялар: Mario Boneberg жана Simon Kochsiek — Universität Tübingen; Gabriele Perfetto — Institut für Theoretische Physik, ETH Zürich; Igor Lesanovsky — Universität Tübingen жана University of Nottingham.
Аффилиация версиясы боюнча эскертүү: Жүктөлгөн arXiv v1 Gabriele Perfetto ну Tübingen аффилиациясы менен көрсөтсө, финалдык APS жазуусу ETH Zürich аффилиациясын көрсөтөт. Бул айырма preprint менен жарыяланган версиянын ортосундагы библиографиялык жаңылануу катары сакталган.
Corresponding author: Жүктөлгөн v1 PDFте өзүнчө corresponding-author белгиси көрүнбөйт.
Тең салым: Жүктөлгөн булакта equal-contribution / co-first-author билдирүүсү көрүнбөйт.
Изилдөөнүн түрү: Теориялык жана сандык кванттык көп-денелүү / quantum machine-learning изилдөөсү.
Негизги система: Диссипативдүү Ising моделинен шыктанган weak-\(\mathbb Z_2\)-symmetric gate-based quantum cellular automaton.
Негизги илимий механизм: Фазалык өтүүгө жакын пайда болгон transient ergodicity breaking жана эки quasi-fixed order-parameter state ти binary classes катары колдонуу.
Негизги order parameter: Нормалдаштырылган \(x\)-magnetization \(m^x\).
Негизги теориялык ыкмалар: Lindblad open-system description, mean-field approximation жана nearest-neighbor correlation correction.
Негизги сандык ыкма: Matrix product states жана matrix product operators колдонгон tensor-network QCA simulation.
Негизги QCA динамикалык параметрлери: \(\Omega=3\kappa\), \(V=15\kappa\), \(\kappa\delta t=0.1\).
Transient-dynamics система өлчөмдөрү: \(N=10\) жана \(N=100\).
Training/loss-landscape система өлчөмү: \(N=20\).
Негизги QCA training depth: \(L=10\).
Training pair саны: \(P=4\).
Untrained баштапкы параметрлери: \(a=-0.15,\;b=-1\).
Reference/teacher параметрлери: \(a=1/2,\;b=-1/2\).
Learning rate: \(\epsilon=80\).
Негизги training figure update саны: 100.
Supplementary robustness-training update саны: 50.
Негизги tensor-network bond dimensions: \(\chi_{\mathrm{MPS}}=48,\;\chi_{\mathrm{MPO}}=16\).
Robustness текшерүүлөрү: QCA dynamics үчүн \(\chi_{\mathrm{MPS}}=96\) жана \(\chi_{\mathrm{MPO}}=32\); training stability үчүн \(\chi_{\mathrm{MPS}}=64\) жана \(\chi_{\mathrm{MPO}}=32\) варианттары өзүнчө сыналган.
Баштапкы абалдар: 1.000 product state \(m_0^x\in[0,0.5]\) боюнча үлгүлөнүп, алардын 1.000 \(\mathbb Z_2\) symmetry partner и түзүлүп, жалпы 2.000 баштапкы абал алынган.
Чыныгы дүйнө маалымат топтому: Жок. Каралган кирүүлөр көзөмөлдөнгөн synthetic quantum product states.
Чыныгы quantum hardware: Колдонулган эмес.
Quantum advantage тести: Жүргүзүлгөн эмес.
Standard classification metrics: Accuracy, precision, recall, F1 жана AUC билдирилген эмес; классификация output order parameter дин bimodal түзүлүшү аркылуу көрсөтүлгөн.
Statistical hypothesis testing: Изилдөө классикалык тандалма-статистика изилдөөсү эмес; p-маани же confidence interval негизиндеги салыштыруу билдирилген эмес.
Код жеткиликтүүлүгү: Жүктөлгөн булакта өзүнчө Code Availability бөлүмү же reproducibility code шилтемеси көрүнбөйт.
Маалымат жеткиликтүүлүгү: Жүктөлгөн булакта өзүнчө Data Availability бөлүмү көрүнбөйт.
Авторлордун салымы: Жүктөлгөн v1 булакта өзүнчө CRediT/Author Contributions бөлүмү көрүнбөйт.
Кызыкчылыктар кагылышы: Жүктөлгөн v1 булакта өзүнчө competing-interest / conflict-of-interest бөлүмү көрүнбөйт; ошондуктан Verianla булакта жок “кызыкчылыктар кагылышы жок” деген билдирүү чыгарбайт.
Ыраазычылык: Авторлор талкуулар үчүн F. Carollo га ыраазычылык билдиришет.
Каржылоо: Булак Deutsche Forschungsgemeinschaft Project No. 449905436, Research Unit FOR 5413/1 Grant No. 465199066, European Union Horizon Europe Grant Agreement No. 101046968 (BRISQ), EPSRC Grant No. EP/V031201/1, German Federal Ministry of Research, Technology and Space NeuQuant project grant 13N17065, Machine Learning Cluster of Excellence EXC 2064/1 Project No. 390727645, Baden-Württemberg bwHPC жана DFG INST 40/575-1 FUGG (JUSTUS 2 cluster) колдоолорун көрсөтөт.
Булак ичиндеги редакциялык эскертүү 1: Supplementary Material башында nearest-neighbor equation derivation негизги тексттеги “Eq. (7)” менен байланыштырылган; бирок жүктөлгөн негизги текстте Теңдеме (7) trainable \(J_k(a,b)\) jump operator аныктамасы. Кошумча материалдагы S15 теңдемелеринин илимий мазмуну mean-field magnetization dynamics тин correlation-corrected кеңейтүүсү. Verianla бул шилтеме номеринин дал келбестигин унчукпай өзгөртпөйт.
Булак ичиндеги редакциялык эскертүү 2: Supplementary Material да S7 айланасындагы бир түшүндүрмө сүйлөм диссипацияны \(V\) менен байланыштырган туюнтманы камтыйт, бирок көрсөтүлгөн jump operator \(J_j=\sqrt{\kappa}\sigma_j^-\) жана бардык тиешелүү dissipative terms decay parameter катары \(\kappa\) ны колдонушат. Verianla displayed equations ды сактап, бул тексттик дал келбестиктен жаңы физикалык жыйынтык чыгарган эмес.
Пикир калтырыңыз
E-mail дарегиңиз жарыяланбайт. Милдеттүү талаалар * менен белгиленген