热点事件持续更新
研究者提出基于PINN的高保真量子门学习方法
1 篇报道1 个报道来源1 小时前更新
先了解这件事
AI 综述
2026年11月4日，arXiv发布的一项研究提出了一种基于物理信息神经网络（PINN）的高保真度量子门学习方法，覆盖单量子比特与双量子比特系统。在酉模拟实验中，该方法学习的Hadamard门平均不保真度达到8.49×10⁻⁸，CNOT门在不同相互作用条件下的不保真度介于3.39×10⁻⁷至4.96×10⁻⁶之间。此外，该方法在开放系统耗散环境下验证了稳定性，并支持控制场的切比雪夫紧凑表示与脉冲回放。
AI 根据报道生成 · 55 分钟前更新
最新进展11月4日 13:00
研究者提出基于PINN的量子门学习方法，实现超低不保真度并支持脉冲回放。报道时间线
沿着报道，了解事件的不同侧面。
11月4日
- arXiv quant-ph基于物理信息神经网络的高保真度量子门学习
研究提出一种基于物理信息神经网络（PINN）的高保真度量子门学习方法，覆盖单量子比特与双量子比特系统。在酉模拟中，Hadamard 门的平均不保真度达到 8.49×10⁻⁸，CNOT 门在不同相互作用下的不保真度介于 3.39×10⁻⁷ 至 4.96×10⁻⁶ 之间。该方法还在开放系统耗散环境下验证了稳定性，并支持控制场的切比雪夫紧凑表示与脉冲回放。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。