量子科技中心_量科网

量子信息科学领域的一个关键挑战在于纠缠态表征，对此纠缠判据为检测量子关联提供了有效手段。该研究团队提出了一种混合量子-经典框架，利用连续变量量子神经网络（CV-QNNs）直接从量子数据中学习非线性纠缠判据。该架构将可变干涉仪、压缩器与非高斯克尔门相结合，并配备小型经典神经网络头部，最终输出标量判据值。 研究人员针对双模和三模体系（包括纯态与混合态的高斯/非高斯态）进行了数值模拟。相较于强经典基线方法，该模型实现了超过99%的分类准确率，并展现出显著性能优势——尤其在从双模扩展至三模体系时。在有限测量次数条件下，该工作进一步量化了模型对光子损耗的鲁棒性。理论分析表明，当量子测量阶段满足信息完备性时，该混合模型可逼近紧凑态集上任意连续的类判据泛函。 这项成果彰显了CV-QNNs在数据驱动量子态表征中的潜力，同时指明了光量子平台在近期具备实际应用优势的具体基准场景。