从少量测量学习 qubit ququart 状态的部分转置特征

高维量子系统正因增加内存空间而引发对提升量子协议性能的兴趣。但对此类系统进行资源表征是基础性的，却代价高昂。我们针对第一个非平凡案例：qubit-ququart 系统，聚焦于部分转置光谱分类。从噪声资源中提取最大纠缠态的纠缠提炼，但确定可提炼性通常需要完整态量子测量，对高维系统而言代价 prohibitive。我们探索一种机器学习框架，用于少于完整量子测量的纠缠状态分类。该方法采用 PPT 准则，将状态按部分转置中的负特征值进行分类。我们使用支持向量机、随机森林和人工神经网络等各种 ML 算法，采用固定测量和可学习可观测量的特征。结果表明，可学习可观测量始终优于集合测量见证方法。虽然所有模型都能区分不可提炼 (PPT) 和可提炼 (NPT) 状态，但区分 NPT 子类仍具有挑战性，凸显了 Hilbert 空间几何的复杂性。这项工作为无需完整态重构即可在高维量子系统中进行可提炼性验证提供了实验友好工具。