Rapid Gaussian Boson Sampling Circuit Screening for GKP States Creation via a Two-Stage Machine Learning Surrogate
Dieses Paper stellt eine zweistufige Histogram Gradient Boosting-Maschinell-Lern-Surrogate vor, die effizient Gaußsche Boson-Sampling-Schaltkreise für die Erzeugung von Gottesman-Kitaev-Preskill (GKP)-Zuständen screenet, indem sie optimale Heralding-Muster und Leistungsmetriken ohne rechenintensive Hafnian-Berechnungen vorhersagt, wodurch die Simulationslast um etwa 90 % reduziert wird bei gleichzeitig hoher Detektionsgenauigkeit.