.png){kind=icon}
返回
Classifying multipartite continuous-variable entanglement structures through data-augmented neural networks
.png){kind=icon}
OA
AI
DOI：10.1038/s42256-026-01284-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
神经网络已成为量子信息处理的有前景的范式，但它们面临着生成足够规模和丰富多样性的训练数据集的挑战，这在处理多体量子系统时尤为突出。例如，在分类连续变量系统中多体纠缠的不同结构时，需要模拟大量无限维态数据，以尽可能涵盖多种非高斯态。为此，我们开发了一种数据增强神经网络来利用相干测量数据完成此任务。提出了一种基于经典数据处理技术和量子物理原理的量子数据增强方法，以有效提升网络性能。通过在随机生成的三体和四体态上进行测试，我们证明该网络能够推断各分区间的纠缠结构，且数据增强显著提高了准确率。我们的方法使我们能够进一步扩展数据驱动机器学习技术在大型希尔伯特空间中编码的量子系统学习等更复杂任务中的应用。高等人介绍了一种量子数据增强方法，使神经网络能够分类无限维系统中的多体纠缠结构，显著提高了准确率，并降低了通常限制训练的数据获取成本。
期刊
IF:
23.9
论文数:
1.3K
被引数:
1.5W
查看更多机构
.png){kind=icon}
