Neural network-based multipartite entanglement classification with prior guidance from quantum uncertainty relations

在量子力学这个奇异且违背直觉的世界里，粒子可以以一种挑战我们日常经验的方式联系在一起。这种被称为“纠缠”的现象意味着，无论两个粒子相距多远，一个粒子的状态都会与另一个粒子的状态瞬间相连。虽然两个粒子之间的这种联系相对容易理解，但当涉及多个粒子时，情况就会变得极其复杂。在拥有三个或更多粒子的系统中，粒子可以以几种本质上不同的方式纠缠在一起，每种方式都拥有其独特的属性和对未来技术（如超安全通信和强大计算）的潜在用途。对于想要利用这些连接的科学家来说，区分这些不同类型的连接至关重要，但这长期以来一直是一项艰巨的任务。传统的识别这些联系的方法通常需要海量的数据和计算能力，这使得它们在面对实际应用所需的规模化系统时显得并不切实际。

北京北航大学的一个研究小组开发出一种解决此问题的新方法，该方法将人工智能的力量与一个被称为“不确定性原理”的基本物理规则相结合。他们的方法并非试图绘制整个量子系统的复杂状态图——这就像试图通过拍摄沙滩上的每一粒沙子来了解沙丘的形状——而是专注于一个特定且更易处理的属性。他们利用了一种最近发现的关系，该关系描述了测量一个粒子的精度如何受到其邻居测量结果的限制。通过将这些特定的测量数据输入到一个旨在学习模式的计算机程序中，研究人员创建了一个能够快速且准确地识别系统中存在何种纠缠类型的工具。

研究人员通过生成数千个模拟量子态来测试他们的方法，这些量子态的范围从包含三个粒子的简单系统到包含二十个粒子的复杂系统。他们在三种不同的类别中创建了这些状态，而这三种类别是量子研究中使用的标准多粒子连接类型。为了使测试具有现实意义，他们不仅包含了完美的理论态，还包含了混合态（代表不完美实验中的混乱现实）以及噪声态（模拟实际量子设备中存在的干扰）。计算机程序被训练去观察不确定性测量值，并将这些状态分类到正确的类别中。结果令人震惊：对于测试的最大系统（即包含二十个粒子），该方法正确识别纠缠类型的准确率达到了99.5%。即使数据受到噪声干扰或代表混合态时，准确率依然保持得非常高，在大多数情况下维持在98%以上。

这项成就之所以特别显著，是因为它所需的工作量比旧技术大大减少了。以往的方法通常依赖于重建量子系统的完整数学描述，这一过程随着粒子数量的增加而呈指数级变得更加困难，对于大型系统而言很快就会变得不可能实现。相比之下，新方法使用的一个特征随粒子数量增加而增长的速度要慢得多，这使其具有可扩展性。研究人员发现，他们的方法不仅减少了测量所需的数据量，还让计算机学习模式的速度大幅提升。通过专注于由粒子连接方式引起的不确定性关系，该工具绕过了对详尽数据收集的需求，为分析未来的复杂量子网络提供了一条切实可行的路径。

该研究还探讨了当数据不完美时（这是现实世界物理学中的常见问题），该方法表现如何。通过在量子态中引入模拟误差和噪声，团队展示了他们的分类器具有很强的鲁棒性，即使在状态保真度显著下降时也能保持高准确度。这表明该方法在完美条件罕见的实际实验室环境中可能是可靠的。虽然目前的结果是基于计算机模拟的，但作者指出，下一步将在真实的量子硬件上测试该方法。如果成功，这项技术可能会成为验证量子网络中纠缠资源质量的标准工具，从而确保用于先进计算和通信的精密连接能够按预期运行。这项工作代表了向“利用物理原理引导机器学习”的转变，创造出的工具不仅功能强大，而且植根于自然界的基本法则之中。