无后选量子测量诱导面积定律相位的神经网络解码

受监控量子电路拥有丰富的非平衡相位变种，其中最具代表性的示例是介于不同面积定律纠缠态之间的测量诱导相位转变。然而，由于这些转变由特定纠缠量（如互信息或拓扑纠缠熵）特征化，这些量是密度矩阵的非线性函数，实验观察需要通过后选（post-selection）获得多个相同的量子轨迹，而这在大型系统中变得指数级不可行。本文利用现代机器学习工具来解决这一挑战。我们构建了一种结合卷积神经网络与注意力机制的神经网络架构，直接将原始测量结果作为输入用于分类 trivial、长程纠缠和对称保护拓扑相位。我们表明，系统对稳定相位的放松表现为分类器准确率的尖锐收敛，完全绕过了量子态重构的需求。我们系统性地研究了神经网络性能随样本大小、输入数据、空间和时间约束以及系统规模可扩展性的影响。我们的结果表明，这种方法具有鲁棒性且无需后选，为实验探索测量诱导相位提供了实用路径。