基于连续变量量子神经网络的非线性纠缠见证的混合量子-经典学习
量子物理
2025-09-09 v1
摘要
量子信息中的一个重要挑战是表征纠缠态，纠缠见证作为有效检测量子关联的手段。我们引入一种混合量子-经典框架，通过连续变量量子神经网络（CV-QNN）直接从量子数据中学习非线性纠缠见证。该架构组合variational interferometers、squeezers和非高斯Kerr门，搭配小型经典神经网络头部输出标量见证值。我们在两种和三模 family 中进行数值模拟，包括高斯态和非高斯态，分别以纯态和混合态形式存在。我们观察到超过99%的分类准确率，并且在从两种模扩展到三种模时表现出显著的鲁健性，尤其相对于强大的经典基线尤为如此。在鲁健性方面，我们进一步量化了在有限测量shots下的对光子损耗的鲁健性。在理论侧，我们指出，当量子测量阶段信息完备时，混合模型可以在状态的紧凑集上逼近任何连续的见证样函数。我们的发现突显了CV-QNN作为数据驱动量子态表征的有前景的框架，并提出了特定基准，在这些基准中，近期光子平台提供了可实现的优势。
引用
@article{arxiv.2509.05924,
title = {Hybrid Quantum-Classical Learning of Nonlinear Entanglement Witnesses via Continuous-Variable Quantum Neural Networks},
author = {Mohammad Rezaei Shokou and Hossein Davoodi Yeganeh},
journal= {arXiv preprint arXiv:2509.05924},
year = {2025}
}