基于机器学习的未知态的相干性和纠缠直接估计
量子物理
2026-01-12 v1
摘要
量子相干性和纠缠是量子技术中基本资源，但如何以最小资源高效估计未知态的相干性和纠缠，尤其是在高维系统中，仍具有挑战性。我们提出了一种基于支持向量回归（SVR）的机器学习方法，直接估计相干性度量和几何纠缠度量。该方法仅需要密度矩阵的对角元素，以及密度矩阵平方和立方的迹用于量子相干性估计，另外对于估计量子纠缠，还需要缩减密度矩阵平方和立方的迹。这些量可以通过随机测量或混合量子-经典框架获得。该方法显著降低了相对于量子态全息 tomography的资源开销，同时保持高准确率。{此外，采用基于pinball损失的支持向量分位数回归（SVQR）可防止SVR的高估。在大多数情况下，该模型确保超过95%的预测为保守下界，同时即使在输入特征存在2%扰动的情况下，仍保持93%以上的下界可靠性。}该提出技术为跨计算、通信和测量应用中的量子资源表征提供了实用且可扩展的工具。
引用
@article{arxiv.2601.04976,
title = {Machine learning-aided direct estimation of coherence and entanglement for unknown states},
author = {Ting Lin and Zhihua Chen and Kai Wu and Zhihua Guo and Zhihao Ma and Shao-Ming Fei},
journal= {arXiv preprint arXiv:2601.04976},
year = {2026}
}