利用深度学习推断量子比特对态的 steering 测量设置层级结构

量子 steering 因其基础重要性及在量子信息科学中的应用而受到越来越多的研究关注。在此，我们利用深度学习模型的能力来推断具有特定测量设置数目的量子态的可 steering 性，这些设置构成层级结构。我们构建了一个由迭代测试组成的计算协议，以克服优化问题，同时生成必要的训练数据。根据训练良好的模型对编码待识别态的不同物理驱动特征的响应，我们可在数值上得出结论：Alice 到 Bob 的可 steering 性最紧凑的表征是 Alice 的规则排列 steering 椭球；而 Bob 的椭球无关。我们也用单向随机局部操作与经典通信对此结果给出了解释。此外，我们的方法在揭示量子 steering 层级结构的进一步见解以及探测隐藏的可 steering 性方面具有通用性。