ترجمه فارسی مقاله یادگیری نظم توپولوژیکی محافظت‌شده توسط تقارن از آزمایش‌های یون به دام افتاده

چکیده

Classical machine learning has proven remarkably useful in post-processing quantum data, yet typical learning algorithms often require prior training to be effective. In this work, we employ a tensorial kernel support vector machine (TK-SVM) to analyze experimental data produced by trapped-ion quantum computers. This unsupervised method benefits from directly interpretable training parameters, allowing it to identify the non-trivial string-order characterizing symmetry-protected topological (SPT) phases. We apply our technique to two examples: a spin-1/2 model and a spin-1 model, featuring the cluster state and the AKLT state as paradigmatic instances of SPT order, respectively. Using matrix product states, we generate a family of quantum circuits that host a trivial phase and an SPT phase, with a sharp phase transition between them. For the spin-1 case, we implement these circuits on two distinct trapped-ion machines based on qubits and qutrits. Our results demonstrate that the TK-SVM method successfully distinguishes the two phases across all noisy experimental datasets, highlighting its robustness and effectiveness in quantum data interpretation.

چکیده به فارسی (ترجمه ماشینی)

یادگیری ماشین کلاسیک در داده های کوانتومی پس از فرآیند بسیار مفید بوده است ، اما الگوریتم های یادگیری معمولی اغلب به آموزش قبلی نیاز دارند تا مؤثر باشند.در این کار ، ما از یک دستگاه بردار پشتیبانی هسته تنشی (TK-SVM) برای تجزیه و تحلیل داده های تجربی تولید شده توسط رایانه های کوانتومی به دام افتاده استفاده می کنیم.این روش بدون نظارت از پارامترهای آموزش مستقیم قابل تفسیر بهره می برد و به آن اجازه می دهد مراحل رشته ای غیر مهم را که مشخصه تقارن محافظت شده از تقارن (SPT) است ، شناسایی کند.ما تکنیک خود را به دو مثال اعمال می کنیم: یک مدل Spin-1/2 و یک مدل Spin-1 ، که به ترتیب وضعیت خوشه ای و حالت AKLT به عنوان نمونه های پارادایم از ترتیب SPT است.با استفاده از حالت های محصول ماتریس ، ما خانواده ای از مدارهای کوانتومی ایجاد می کنیم که میزبان یک فاز بی اهمیت و یک فاز SPT هستند ، با انتقال فاز تیز بین آنها.برای مورد Spin-1 ، ما این مدارها را بر روی دو دستگاه یون به دام افتاده مجزا بر اساس Qubits و Qutrits پیاده سازی می کنیم.نتایج ما نشان می دهد که روش TK-SVM با موفقیت دو مرحله را در تمام مجموعه داده های تجربی پر سر و صدا متمایز می کند ، و استحکام و اثربخشی آن را در تفسیر داده های کوانتومی برجسته می کند.