基于人工神经网络的三量子比特NMR量子处理器中多部分纠缠检测
量子物理
2024-10-01 v1
摘要
我们使用人工神经网络（ANN）模型识别实验生成的三量子比特纯态所属的六种等价类别下的纠缠类型，这些类别在随机局部操作和经典通信（SLOCC）下是等价的。ANN模型还能检测该状态中是否存在真正的多部分纠缠（GME）。我们应用数据科学技术减少问题的维度，这对应于减少需计算的密度矩阵元数。首先在包含随机生成态的模拟数据集上训练ANN模型，然后在噪声实验三量子比特态（以标准形式生成）上进行测试和验证，这些态是在核磁共振（NMR）量子处理器上生成的。我们通过支持向量机（SVMs）和K近邻（KNN）算法对ANN模型进行基准测试，并将基于ANN的纠缠分类结果与现有的三量子比特SLOCC纠缠分类方案（如3-tangle和关联张量）进行比较。我们的结果表明，ANN模型能够以高准确率进行GME检测和SLOCC类别识别，仅需少量密度矩阵元即可作为输入。由于ANN模型在减少输入数据集方面表现良好，它是实用情境下纠缠分类的吸引方法，尤其是在数据集有限的实验情境中。
引用
@article{arxiv.2409.19739,
title = {ANN-Enhanced Detection of Multipartite Entanglement in a Three-Qubit NMR Quantum Processor},
author = {Vaishali Gulati and Shivanshu Siyanwal and Arvind and Kavita Dorai},
journal= {arXiv preprint arXiv:2409.19739},
year = {2024}
}
备注
15 pages, 4 figures