量子科技中心_量科网

准概率分布中的负值——这一源自量子光学的基础概念——是量子非经典性的根本特征，其中纠缠准概率为判定量子纠缠提供了充分必要条件。然而传统纠缠准概率重构方法需依赖完整的量子态层析，严重制约了可扩展性。本研究提出一种深度学习框架，通过不完整的局域投影测量直接重构纠缠准概率，绕过了完整量子态重建过程。利用残差神经网络，该团队将部分测量结果映射为高保真纠缠准概率。针对三比特系统的数值基准测试显示，其重构误差较现有层析方法降低30倍以上。在光子纠缠态上的实验验证表明，该方法能以显著减少的测量资源实现纠缠态重构与检测。这项成果确立了机器学习辅助的纠缠准概率重构技术，为量子光学系统中的纠缠表征提供了可扩展的实用工具。