量子科技中心_量科网

量子纠缠是量子信息与量子技术的核心资源，但由于理论复杂性和测量要求的双重挑战，其表征仍存在困难。机器学习作为一种有前景的替代方案，能够通过不完整测量数据实现纠缠表征，但模型可解释性仍是待解难题。该研究团队提出了一个统一且可解释的框架，用于两比特和三比特量子态的随机局域操作与经典通信（SLOCC）纠缠分类，涵盖纯态与混合态。研究人员基于泡利测量结果训练了密集连接神经网络和卷积神经网络，为每种架构提供设计准则，并系统比较了它们在不同量子态类型上的性能表现。为解释模型机制，该工作计算了沙普利值以量化每个测量的贡献度，分析不同系统中的测量重要性模式，并利用这些发现指导测量简化方案。通过准确率-测量量曲线与解析纠缠判据的对比，研究证实了可靠分类所需的最小资源，同时揭示了基于沙普利值的可解释性方法在机器学习模型用于纠缠检测与分类时的优势与局限性。