量子科技中心_量科网

测量诱导纠缠（MIE）揭示了局域测量如何产生长程量子关联并驱动多体系统中的动力学相变。然而，实验上估算MIE仍具挑战性：直接评估需对测量结果进行大量后选择处理，这引发了一个根本问题——是否仅需多项式资源即可获取MIE信息。该研究团队通过将MIE检测重构为数据驱动的学习问题（无需预设量子态制备知识）来应对这一挑战。仅利用测量记录数据，研究人员以自监督方式训练神经网络来预测MIE的不确定度指标——测量后平均二分纠缠上下界之间的间隙。该方法应用于具有一维全连接和二维最近邻耦合的随机电路时，揭示了随电路深度增加的可学习性转变：低于临界深度时，不确定度较小且随多项式增长的测量数据与模型参数递减；而超过该阈值后，不确定度始终居高不下。该团队进一步在当前含噪量子设备上实验验证了这一转变，证明其对实际噪声具有鲁棒性。这些成果彰显了数据驱动方法学习MIE的强大能力，同时划定了其经典可学习性的实际边界。