基于人工神经网络的任意三量子比特态纠缠分类
量子物理
2024-11-19 v1
摘要
我们设计并成功实现了人工神经网络 (ANN)，利用有限的状态特征来检测和分类三量子比特系统的纠缠。总体设计原则是一个前馈神经网络 (FFNN)，其输出层包含一个用于检测真正多体纠缠 (GME) 的单个神经元，以及六个用于分类问题的神经元，对应随机局域操作和经典通信 (SLOCC) 下的六个纠缠类。模型在随机生成态的模拟数据集上进行训练和验证。我们在检测 GME 和 SLOCC 分类方面均达到了约 98% 的高准确率。值得注意的是，我们发现仅将密度矩阵的 7 个对角元素输入 ANN，两项任务的准确率均超过 94%，这展示了该方法在减少所需输入数据的同时保持高效性能的优势。减少特征集使得 ANN 模型更容易应用于纠缠分类，特别是在资源受限的环境中，且不牺牲准确性。通过向数据集中引入白噪声进一步评估了 ANN 模型的性能，结果表明模型具有鲁棒性，能够很好地容忍噪声。
引用
@article{arxiv.2411.11330,
title = {Entanglement Classification of Arbitrary Three-Qubit States via Artificial Neural Networks},
author = {Jorawar Singh and Vaishali Gulati and Kavita Dorai and Arvind},
journal= {arXiv preprint arXiv:2411.11330},
year = {2024}
}
备注
10 pages 3 figures revtex