量子科技中心_量科网

高维量子系统中多方纠缠态的精准分类对推进量子通信与信息处理至关重要。然而传统方法资源消耗大，甚至多数基于机器学习的方法也需要大量训练数据集，这为实验数据采集造成了显著瓶颈。为解决这一挑战，该研究团队提出了一种融合卷积神经网络与双向长短期记忆网络（CNN-BiLSTM）的混合神经网络架构。该设计利用CNN提取局部特征，通过BiLSTM建模序列依赖关系，从而实现了基于少量训练数据的强健特征学习。研究人员探究了两种融合范式：架构1（基于扁平化处理）与架构2（基于维度转换）。当仅使用100个样本训练时，架构2在3量子比特与4量子比特系统中均保持超过90%的分类准确率，其损失函数能在数十个训练周期内快速收敛。在全数据条件下（40万样本），两种架构准确率均超过99.97%。对比测试表明，该团队的CNN-BiLSTM模型（尤其是架构2）在低数据量场景下始终优于独立CNN、BiLSTM及多层感知机模型，尽管训练时间有所增加。这些结果表明，定制化的CNN-BiLSTM融合架构能显著缓解实验数据采集负担，为复杂量子系统中可扩展的纠缠态验证提供了实用路径。