В статье представлен метод машинного обучения на основе поддержки векторной регрессии (SVR) для оценки квантовой когерентности и запутанности в квантовых технологиях. Этот метод использует минимальное количество экспериментальных ресурсов и требует только диагональные элементы матрицы плотности и следы от матрицы плотности в квадрате и кубе. Это позволяет значительно сократить затраты по сравнению с квантовой томографией при сохранении высокой точности. arXiv: 2601.04976 Обзоры | Квантовая физика
Машинное обучение, помогающее прямой оценке когерентности и запутанности для неизвестных состояний
В статье представлен метод машинного обучения на основе поддержки векторной регрессии (SVR) для оценки квантовой когерентности и запутанности в квантовых технологиях. Этот метод использует минимальное количество экспериментальных ресурсов и требует только диагональные элементы матрицы плотности и следы от матрицы плотности в квадрате и кубе. Это позволяет значительно сократить затраты по сравнению с квантовой томографией при сохранении высокой точности.
arXiv: 2601.04976
