面向3和4量子比特系统的高效纠缠分类：定制化CNN-BiLSTM方法
量子物理
2026-02-02 v1
摘要
准确分类高维量子系统中的多体纠缠态对于推动量子通信和信息处理至关重要。然而，传统方法计算资源密集，即便许多基于机器学习的方法也需要大量训练数据，这在数据获取方面形成显著的实验瓶颈。为此，我们提出一种融合卷积神经网络和双向长短期记忆网络(CNN-BiLSTM)的混合神经网络架构。该设计利用CNN进行局部特征提取，利用BiLSTM进行序列依赖建模，实现即使在数据有限的情况下也能进行稳健的特征学习。我们研究了两种融合范式：体系结构1(展平式)和体系结构2(维度转换式)。在仅训练100个样本的情况下，体系结构2对3比特和4比特系统的分类准确率均保持在90%以上，显示在十几个时代内快速收敛。在充分数据条件下(40万个样本)，两种体系结构的准确率均超过99.97%。比较基准测试表明，我们的CNN-BiLSTM模型，特别是体系结构2，在数据有限的条件下 consistently 优于独立的CNN、BiLSTM和MLP，尽管训练时间增加。这些结果表明，定制化的CNN-BiLSTM融合显著缓解了实验数据获取的负担，为面向复杂量子系统的可扩展纠缠验证提供了实用路径。
引用
@article{arxiv.2601.22562,
title = {Towards Sample Efficient Entanglement Classification for 3 and 4 Qubit Systems: A Tailored CNN-BiLSTM Approach},
author = {Qian Sun and Yuedong Sun and Yu Hu and Yihan Ma and Runqi Han and Nan Jiang},
journal= {arXiv preprint arXiv:2601.22562},
year = {2026}
}