通过人工神经网络揭示多光子光束的非经典性

识别多光子量子态的非经典特征代表着许多量子光子技术开发中的关键任务。在现实实验条件下，光子量子态会受到其与几种非理想光电子器件相互作用的影响，包括用于引导、检测或表征其中的器件。这种噪声性相互作用的结果是，原始量子态的非经典特征在检测到的最终态中大幅减弱，甚至完全消失。在本工作中，利用人工神经网络的自学习特性，实验性地表明即使在非经典特征被测量器件掩盖的情况下，仍可评估并完全表征多光子量子态的非经典性。我们的工作为人工智能辅助的实验设置表征以及智能量子态非经典性识别指开辟了道路。