利用机器学习恢复量子关联
量子物理
2025-03-31 v3
摘要
具有强关联性的量子源是量子信息科学和工程中至关重要但脆弱的资源。失相干和损耗是降低非classical量子关联的主要因素，散射在两者过程中都发挥作用。本文提出一种方法，利用长短期记忆网络（LSTM）这种在时间序列预测中表现出色的机器学习技术来缓解散射对量子系统的负面影响。我们的实验 setup 包括通过温暖铯气体中的四波混合产生双模压缩光，其中一模受到散射器的作用以破坏量子关联。将互信息和强度差压缩作为衡量量子关联的指标。我们展示了在显著光子损耗下（这种损耗本会消除量子关联），实现了74.7%的互信息恢复和87.7%的双模压缩恢复。该方法标志着在无需硬件修改的情况下从随机扰动中恢复量子关联的重要一步，为量子协议的实际应用指明了道路。
引用
@article{arxiv.2410.02818,
title = {Recovery of Quantum Correlations using Machine Learning},
author = {Edward W. Steele and Donald R. Reising and Tian Li},
journal= {arXiv preprint arXiv:2410.02818},
year = {2025}
}
备注
10 pages, 7 figures, 1 table