中文

从含噪声测量中机器学习量子纠缠

量子物理 2026-07-24 v1 计算物理 数据分析、统计与概率 光学
作者: Artur Czerwinski , Maciej Wiśniewski , Paweł Moszczyński
在 arXiv 上查看 ↗ PDF ↗ DOI ↗

摘要

在这项工作中，我们研究了机器学习（ML）算法在偏振纠缠光子对的量子纠缠识别与定量表征中的应用。分析基于模拟的对称信息完备正定算子值测量（SIC-POVM）数据，其中每个双量子比特态由一个对应于实验可访问符合计数的 16 维测量向量表示。生成的 SIC-POVM 测量数据包含泊松散粒噪声。几种有监督 ML 算法，包括逻辑回归、k 近邻、决策树、支持向量机和随机森林，被用于直接从原始测量数据分类可分离态和纠缠态，而无需显式的密度矩阵重建或使用传统的可分离性判据。该研究还探索了用于估计连续纠缠度量的聚类方法和非线性回归技术。所得结果表明，即使在训练条件极其有限的情况下，ML 方法也能达到非常高的分类准确率。这些发现表明，在模拟的泊松噪声条件下，ML 可能为传统的量子态分析提供一种高效的替代方案。

关键词

机器学习 量子纠缠 SIC-POVM 光子对 态分类 含噪声测量

引用

@article{arxiv.2607.22853,
  title  = {Machine Learning of Quantum Entanglement from Noisy Measurements},
  author = {Artur Czerwinski and Maciej Wiśniewski and Paweł Moszczyński},
  journal= {arXiv preprint arXiv:2607.22853},
  year   = {2026}
}

备注

This article belongs to the Special Issue "Advances in Quantum Machine Learning, Information Theory, and Quantum Photonics"