控制理论与应用

作者：丛爽,李友志

单位：中国科学技术大学自动化系,中国科学技术大学自动化系

关键词：神经网络; 量子态估计; 结构优化

基金：国家自然科学基金项目(62473354)资助

本文提出并设计两种具有最简结构的前向神经网络, 来高精度实现对量子态密度矩阵的估计. 训练出具有函数逼近功能的反向传播(BP)神经网络和径向基函数(RBF)网络进行量子密度矩阵估计的应用. 根据量子态密度矩阵与量子系统实验装置的输出测量值之间的关系, 建立并构造出训练神经网络的输入/输出样本对; 通过对网络的归一化处理, 获得满足量子密度矩阵条件的网络输出. 分别对2量子位的本征态、叠加态和混合态的估计设计和训练出不同网络, 并在给定的性能指标下, 与采用深度学习算法的具有两个隐含层的宽度网络(WNN)的量子密度矩阵估计性能进行对比分析. 在此基础上, 采用RBF神经网络对高量子位密度矩阵进行估计实验. 分别在最少隐含层节点数、最少训练样本数、最短训练时间, 以及对非样本输入数据的泛化能力方面, 通过仿真实验对所设计网络的量子密度矩阵估计的优越性能进行对比研究.

来源：2024年第12期

《控制理论与应用》期刊编辑部

查看控制理论与应用杂志2024年第12期