量子科技中心_量科网

泛化能力是评估量子导引性分类器鲁棒性的关键。该工作从关键特征提取与矩阵结构保持的角度出发，研究了鲁棒的导引性分类问题。Phys. Rev. A 100, 022314 (2019) 中引入的数据集为当前工作提供了训练基础。利用严格不可导引的随机态、T-对角态以及全对无(AVN)态，研究人员评估了基于全信息特征训练的支持向量机(SVM)、多层感知机(MLP)和深度感知控制分类器(DP)的泛化性能。这些分类器在T-对角态或AVN态上的表现均不一致。考虑到随机局域操作与经典通信以及局域酉变换能够保持导引性，该团队引入了一个决定导引性的关键特征。基于该特征训练的SVM克服了在T-对角态上的不稳定性，但在AVN态上仍然失效。此外，仅凭这一特征不足以训练出鲁棒的基于神经网络的导引性分类器。认识到将量子态展平为一维向量可能破坏其内在的矩阵结构，研究人员引入了特征及其矩阵形式，并在此基础上训练卷积神经网络。只有当矩阵结构得以保持且关键特征被同时提取时，所测试的分类器才能实现最优的整体鲁棒性能。最后，作为应用，该工作利用最鲁棒的分类器来预测检测轴对称态导引性所需的投影测量次数。