Machine learning on quantifying quantum steerability
Machine learning on quantifying quantum steerability
复制标题
量化量子可操纵性的机器学习
DOI：
10.1007/s11128-020-02769-4
复制
发表时间：
2020-07
影响因子：
2.5
通讯作者：
Chen Liang
中科院分区：
文献类型：
--
作者：
Zhang Ye-Qi;Yang Li-Juan;He Qi-Liang;Chen Liang
我们应用人工神经网络来量化基于可操纵权重的两量子比特可操纵性，可操纵权重可以通过半定规划来计算。由于最佳测量策略未知，要有效地获得任意量子态的可操纵性仍然非常困难和耗时。在这项工作中，我们通过机器学习技术，提供了一种有效的方法来量化可操纵性的方法。此外，训练模型的泛化能力也被证明通过应用到Werner状态和在失相噪声信道。我们的研究结果提供了一种新的方法来获得有效和准确的可操纵性，揭示了机器学习方法在探索量子操纵方面的有效应用。
We apply the artificial neural network to quantify two-qubit steerability based on the steerable weight, which can be computed through semidefinite programming. Due to the fact that the optimal measurement strategy is unknown, it is still very difficult and time-consuming to efficiently obtain the steerability for an arbitrary quantum state. In this work, we show the method via machine learning technique which provides an effective way to quantify steerability. Furthermore, the generalization ability of the trained model is also demonstrated by applying to the Werner state and that in dephasing noise channel. Our findings provide an new way to obtain steerability efficiently and accurately, revealing effective application of the machine learning method on exploring quantum steering.
登录
查看更多内容
影响因子：
3.7
作者：
T. Burr
通讯作者：
T. Burr
通过机器学习对任意两个量子位状态进行可操纵性检测
影响因子：
2.9
作者：
Ren Changliang;Chen Changbo
通讯作者：
Chen Changbo
DOI：
10.1103/physreva.101.042115
发表时间：
2019-12
期刊：
arXiv: Quantum Physics
影响因子：
--
作者：
Huan Yang;Zhi-Yong Ding;Dong Wang;Hao Yuan;Xue-ke Song;Jie Yang;Chang-Jin Zhang;L. Ye
通讯作者：
Huan Yang;Zhi-Yong Ding;Dong Wang;Hao Yuan;Xue-ke Song;Jie Yang;Chang-Jin Zhang;L. Ye
影响因子：
2.9
作者：
Eneet Kaur;Xiaoting Wang;M. Wilde
通讯作者：
Eneet Kaur;Xiaoting Wang;M. Wilde
DOI：
10.1017/s0305004100013554
发表时间：
1935-01-01
影响因子：
--
作者：
Schrodinger, E
通讯作者：
Schrodinger, E