基于机器学习的qutrit对态制动 steering 检测
量子物理
2025-02-27 v3
摘要
只有少数高维系统的状态可被识别为（不）可制动状态。我们利用半定性规划 (SDP) 构建用于qutrit-qutrit系统制动检测的数据集。对于完整信息特征 ，人工神经网络实现了高分类准确率和良好的泛化能力，优于支持向量机。鉴于特征工程发挥关键作用，我们引入类似制动椭球体的特征 ，显著提升了每个模型的性能。鉴于SDP方法仅提供制动检测的充分条件，我们建立了第一个严格基于理论基础的、准确标记的数据集。这一数据集使模型能够表现出卓越的准确率和泛化能力，独立于特征选择。作为应用，我们研究了各向同性态和部分纠缠态的制动边界，发现新的可制动态。该工作不仅推进了机器学习在高维系统中探测量子制动的应用，也深化了对量子制动本身的理论理解。
引用
@article{arxiv.2502.11365,
title = {Machine Learning for Detecting Steering in Qutrit-Pair States},
author = {Pu Wang and Zhongyan Li and Huixian Meng},
journal= {arXiv preprint arXiv:2502.11365},
year = {2025}
}