Квантовая запутанность под наблюдением: как нейросети реконструируют структуру пространства-времени

Новое исследование показывает, что графовые нейронные сети способны точно восстанавливать глобальные свойства квантовой запутанности по локальным данным измерений в контролируемых квантовых схемах.


![В процессе испарения, начальное распределение газа при температуре [latex]T_0[/latex] и количестве атомов [latex]N_0[/latex] подвергается отсеву высокоэнергетических частиц, после чего система повторно термализуется, достигая новой температуры [latex]T_1[/latex] и уменьшенного числа атомов [latex]N_1[/latex].](https://arxiv.org/html/2603.20446v1/GFCut.png)

![Дерево рекурсивного деления интервалов позволяет последовательно сужать область поиска, начиная с исходного интервала [latex]X_0[/latex], посредством проверки включения [latex]0 \in F(X,U)[/latex] и деления на два до тех пор, пока диаметр рассматриваемой области не станет меньше или равен заданному значению [latex]\varepsilon[/latex], либо ветвь не будет отброшена из-за неудовлетворения критерия включения.](https://arxiv.org/html/2603.19965v1/Recursion1.png)
![В предложенном подходе к количественной HRTEM-микроскопии, замена ручной, итеративной процедуры оптимизации параметров на автоматизированный алгоритм байесовской оптимизации, использующий пакеты входных векторов параметров [latex]\mathbf{X}\in\mathbb{R}^{n}[/latex] и динамическую адаптацию пространства поиска [latex]\mathbb{R}^{n}[/latex] с учетом как непрерывных, так и дискретных параметров, а также физических ограничений, позволяет существенно повысить эффективность и точность моделирования и анализа экспериментальных данных.](https://arxiv.org/html/2603.19943v1/x1.png)