使用图神经网络预测von Neumann 纠缠熵

从实验数据计算von Neumann纠缠熵具有挑战性 due to其对完整波函数的依赖，迫使依赖诸如经典互信息（MI）等近似方法。我们提出了一种基于图神经网络的机器学习方法，用于直接从可访问的比特串预测von Neumann熵。在雷德尔金梯系统上进行测试，我们在数据集上的平均绝对误差为 $3.6 \times 10^{-3}$（熵值范围为0至1.9），模型的平均绝对百分比误差为1.44%，并优于基于MI的界限。当在训练范围之外进行测试时，模型保持合理的准确性。此外，我们演示了使用小数据集微调模型可显著提高在原始训练范围之外数据的性能。