量子科技中心_量科网

高维量子系统因能通过扩展存储空间提升量子协议性能而备受关注。表征此类系统的量子资源具有基础意义，但实验成本高昂。该研究团队攻克了首个非平凡案例——双比特-四维量子比特系统，聚焦于偏转置谱分类问题。纠缠提纯技术可从含噪资源中提取最大纠缠态，但传统判定可提纯性需依赖完整量子态层析，这对高维系统的实验实施构成障碍。该工作探索了机器学习框架，利用比完整层析更少的测量次数对可提纯双组分量子态进行分类。该方法采用PPT判据，通过偏转置矩阵负特征值对量子态分类，运用支持向量机、随机森林和人工神经网络等多种算法，特征输入既包含固定测量值也包含可学习观测量。结果表明可学习观测量方案始终优于集体测量见证方法。虽然所有模型均能区分不可提纯（PPT）与可提纯（NPT）态，但对NPT子类的区分仍具挑战性，这揭示了希尔伯特空间复杂的几何特性。该研究为高维量子系统提供了一种无需完整态重构、便于实验验证的可提纯性判定工具。