量子層析是量子信息處理中的關(guān)鍵技術(shù)之一,它通過針對不同觀測量進行重復(fù)測量和統(tǒng)計平均獲取數(shù)據(jù),并根據(jù)這些數(shù)據(jù)重構(gòu)狀態(tài)或演化過程的矩陣描述。由于單次量子測量得到的信息受限,測量次數(shù)會隨著量子系統(tǒng)維度和所需測量精度的增加而快速增加。因此,如何提高效率是量子層析實驗中的核心問題。本文針對獲取測量數(shù)據(jù)需要大量重復(fù)測量的問題,提出基于機器學(xué)習(xí)設(shè)計通用的量子層析數(shù)據(jù)降噪模型,并利用數(shù)值仿真研究了不同噪聲下的降噪效果。具體成果如下:（1）利用機器學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)思想設(shè)計了基于普通型和反卷積型降噪自動編碼機模型用于量子層析數(shù)據(jù)分析。對比兩個模型的仿真結(jié)果,本文表明恰當?shù)纳窠?jīng)網(wǎng)絡(luò)結(jié)構(gòu)有能力學(xué)習(xí)到高維物理量的結(jié)構(gòu)信息,因而可以利用它來設(shè)計量子層析實驗的降噪模型。這種學(xué)習(xí)能力并不局限于特定的量子系統(tǒng),是降噪模型在提高量子層析實驗效率上具備通用性的基礎(chǔ)。（2）針對量子態(tài)層析問題,訓(xùn)練出了在多種噪聲類型、復(fù)雜度、強度下均能實現(xiàn)一定降噪效果的反卷積降噪自動編碼機模型。仿真結(jié)果表明,基于該模型,可以從足夠多已有實驗數(shù)據(jù)中訓(xùn)練出一個降噪模型,在進行新的同類型量子態(tài)層析實驗時,可以用較少的測量次數(shù)得到一個含較大噪聲的數(shù)據(jù),... 

【文章來源】：清華大學(xué)北京市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 引言
    1.2 傳統(tǒng)機器學(xué)習(xí)
        1.2.1 什么是機器學(xué)習(xí)
        1.2.2 主要類別和應(yīng)用場景
        1.2.3 算法舉例
    1.3 量子機器學(xué)習(xí)
        1.3.1 量子信息與量子計算
        1.3.2 傳統(tǒng)機器學(xué)習(xí)在量子物理中的應(yīng)用
        1.3.3 量子增強學(xué)習(xí)
    1.4 本文研究內(nèi)容的安排
第2章 相關(guān)基礎(chǔ)知識
    2.1 量子層析基礎(chǔ)知識
        2.1.1 量子比特和密度矩陣
        2.1.2 量子糾纏和退相干
    2.2 自動編碼機
    2.3 多層神經(jīng)網(wǎng)絡(luò)自動編碼機
    2.4 深度自動編碼機的變體
        2.4.1 稀疏深度自動編碼機
        2.4.2 收縮深度自動編碼機
        2.4.3 變分深度自動編碼機
        2.4.4 降噪深度自動編碼機
    2.5 本章小結(jié)
第3章 量子態(tài)層析問題中的降噪研究
    3.1 引言
    3.2 量子態(tài)層析
        3.2.1 什么是層析
        3.2.2 什么是量子態(tài)層析
        3.2.3 量子態(tài)層析實驗的估計方法
    3.3 數(shù)值仿真設(shè)計
        3.3.1 整體思路
        3.3.2 前期的數(shù)據(jù)準備
        3.3.3 仿真工具和環(huán)境介紹
    3.4 基于普通降噪深度自動編碼機的數(shù)值仿真
        3.4.1 仿真使用的神經(jīng)網(wǎng)絡(luò)模型
        3.4.2 簡單的高斯噪聲
        3.4.3 仿真結(jié)果分析
    3.5 基于反卷積降噪深度自動編碼機的數(shù)值仿真
        3.5.1 仿真使用的神經(jīng)網(wǎng)絡(luò)模型
        3.5.2 七個噪聲組
        3.5.3 仿真結(jié)果分析
    3.6 結(jié)論
    3.7 本章小結(jié)
第4章 量子過程層析問題中的降噪研究
    4.1 引言
    4.2 量子過程層析
    4.3 數(shù)值仿真設(shè)計
        4.3.1 整體思路
        4.3.2 數(shù)據(jù)準備
        4.3.3 模型搭建
        4.3.4 數(shù)值仿真結(jié)果
    4.4 結(jié)論
    4.5 本章小結(jié)
第5章 工作總結(jié)與展望
    5.1 工作總結(jié)
    5.2 未來展望
參考文獻
致謝
個人簡歷、在學(xué)期間發(fā)表的學(xué)術(shù)論文與研究成果


【參考文獻】：
期刊論文
[1]人工神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)挖掘中的應(yīng)用[J]. 韓彥峰,段向前.  西安建筑科技大學(xué)學(xué)報(自然科學(xué)版). 2005(01)



本文編號：3600994