通过物理引导神经网络学习高维量子纠缠
量子物理
2026-04-07 v1
摘要
高增益光子参量下转换（SPDC）产生的亮 squeezed vacuum具有丰富的高维纠缠，但其输出本质上是多模态和非扰动的，使得完全表征源的模态指纹成为主要计算瓶颈。我们提出一种物理引导深度神经网络，用于重建源的模态指纹：沿径向和方位索引的高维相关性特征。我们设计了一种由FiLM调制的卷积架构，用于预测联合(m,l)分布，训练由数据驱动指标（JSD、KL、MSE、Wasserstein距离）与软轨道-角动量守恒项相耦合的混合损失函数驱动，提供了对物理一致解的必需归纳偏置。跨增益 regime，我们的方法实现了高保真重建，平均JSD为1.96e-3，WEMD为1.54e-3，KL发散为7.85e-3，实现了对完整数值模拟的约128倍加速，相对于U-Net基线实现了超过30%的精度提升。这些结果表明，物理引导学习通过软轨道-角动力学守恒正则化器和物理生成的训练目标，实现了快速且数据高效的模态表征。与传统数值模拟相比，本方法在有限或受污染训练数据上的良好推广性已被证明，并为实际实验实施的实时预测高维纠缠系统的量子动力学提供了可能。
引用
@article{arxiv.2604.03482,
title = {Learning high-dimensional quantum entanglement through physics-guided neural networks},
author = {Yang Xu and Hao Zhang and Wenwen Zhang and Luchang Niu and Girish Kulkarni and Mahtab Amooei and Sergio Carbajo and Robert W. Boyd},
journal= {arXiv preprint arXiv:2604.03482},
year = {2026}
}