量子科技中心_量科网

可靠地检测和量化量子纠缠——特别是在高自旋或多体系统中——对传统方法构成了重大计算挑战。该研究探讨了集成机器学习模型作为一种可靠且可扩展的方法，用于估算量子系统中以负性度量为表征的纠缠态的有效性。研究人员构建了一个集成回归器，融合了神经网络（NNs）、XGBoost（XGB）和极端随机树（ET），并在不同自旋维度的纯态和混合Werner态数据集上进行训练。采用CatBoost（CB）作为堆叠元学习器的集成模型展现出强大性能，能准确预测跨维度和状态类型的负性值。关键发现是，通过预测散点图的可视化分析表明：即使聚合指标相近，相较于神经网络等单一强学习器，该集成模型仍展现出更优的预测一致性及更小的真实纠缠值偏离。这种归因于集成方法固有误差抵消和方差降低的可靠性提升，凸显了该方法在规避计算瓶颈、为高维量子物理中的纠缠态表征提供可信工具方面的潜力。该工作还推导出基于系统维度和预期精度的数据需求估算经验公式。