从层析数据中学习纠缠：神经网络与随机森林的矛盾测量重要性

我们研究了两种不同的机器学习技术——神经网络和随机森林——在从双量子比特层析数据中量化纠缠方面的有效性。尽管我们可预见地发现神经网络能产生更高的准确率，但我们也发现这两种方法得出预测的方式截然不同。这一点可以从对分类最重要的测量中看出。神经网络遵循直觉预测，即包含非局域相干信息的测量对纠缠最为重要，但随机森林则表明占据数测量中包含的信息占主导地位。这是因为占据数测量对于从其余测量中提取所有其他密度矩阵元素的数据是必要的。当模型被用于直接从密度矩阵元素中学习纠缠时，不会出现同样的差异，因此这是信息分散和测量数据相互依赖的结果。因此，当噪声被引入各种测量时，模型的行为会有所不同，这可以被利用来从含噪声的层析数据中获得更可靠的纠缠信息。