量子科技中心_量科网

受监测的量子电路展现出多种奇异的非平衡相态。其中最典型的例子是不同面积律纠缠态之间的测量诱导相变。然而，由于这些相变需通过密度矩阵的非线性泛函（如互信息或拓扑纠缠熵）等特定纠缠量来表征，其实验观测需要通过后选择获取多条相同量子轨迹——这对大规模系统将产生指数级难度。 本研究运用现代机器学习工具攻克这一难题。该团队设计了一种结合卷积神经网络与注意力机制的架构，直接将原始测量结果作为输入数据，用于分类平庸态、长程纠缠态及对称保护拓扑相。研究表明，系统弛豫至稳态相的过程表现为分类器准确率的急剧收敛，从而完全规避量子态重构的需求。研究人员系统性地考察了网络性能与样本量、输入数据、时空约束及系统尺寸可扩展性的函数关系。 该工作证实这种方法具有鲁棒性且无需后选择，为实验探测测量诱导相变提供了实用路径。