量子科技中心_量科网

纠缠深度用于量化多少个量子比特共享真正的多体纠缠，但传统认证方法通常依赖于定制化的纠缠目击者或完整层析术，这两种方法都会随系统规模增大而急剧增加计算量。该研究团队将纠缠深度和非k-可分性认证重新构建为基于似然的模型选择问题，通过神经网络量子态架构强制执行预设的纠缠约束。研究人员在有限次局域泡利测量结果上训练了一个可分神经网络量子态层级结构，并与相同数据训练的无约束参考模型进行对比。当所有约束模型在统计上均被否定时，测量数据无需重构密度矩阵即可直接证明突破预设限制的纠缠存在。该工作通过针对GHZ态、Dicke态和贝尔对态的六量子位及十量子位模拟数据集验证了该方法，并证明了其在局域噪声下对混合态的鲁棒性。最后，该团队讨论了从训练参数中提取的轻量级可解释性诊断方法，可直接从比特串统计量中揭示粗粒度纠缠模式和量子比特群组特征。