基于连续变量纠缠态生成的线性光学网络在模式识别任务中的实现及其应用

本文推荐一篇创新性研究，作者设计了一种基于高斯门（位移、无噪线性放大NLA、压缩器）和格林机（Green machine）的线性光学量子电路，成功将经典相干态转化为非经典多模纠缠态（含压缩特性），并应用于模式识别任务。该工作通过贝叶斯分类器处理损坏LED字母识别，并嵌入连续变量变分量子电路（VQC）实现MNIST手写数字高精度分类，为光量子计算与机器学习融合提供了新范式。

　　

Section snippets

Model

实现实用化的量子神经网络需经历问题定义、数据准备、架构设计与模型训练等关键步骤。其核心在于利用神经网络结构中的量子叠加与纠缠效应。连续变量（CV）量子神经网络是一种采用CV架构的变分量子电路（VQC），该方法将量子信息编码于连续变量量子态中，并已被探索用于——

Two-mode analysis

在前一节中，我们介绍了所设计电路的组成部分并分析了其输入和输出态。为深入理解，现聚焦于双模（两个输入态）电路的细节。考虑两个相干态作为电路输入，它们由位移算符D(α_k)（其中k=1,2）作用于相应真空态而产生。因此，输入态可写为|α₁??|α₂?，这是一个双模相干态。该——

Application of entangled coherent states: pattern recognition

在模式识别中，目标是根据对象的共同特征为其分配真实类别。模式识别涉及生物信息学、金融和计算机视觉等多个领域。此类计算任务通常由计算机自动执行。模式识别系统对特定对象进行测量并分类，因此可称为分类器。例如，瓶子回收机和垃圾邮件过滤器就是——

Solving classification problems

分类问题通常分为监督学习与无监督学习等几类。监督学习利用带标签数据，算法在输入数据及对应正确输出上进行训练。而无监督学习则处理无标签数据，致力于发现数据内部的内在模式或结构。此处，我们欲证明所提模型可用于处理不同类型的分类问题。因此，我们处理——

Summary and conclusions

我们设计了一个由若干高斯门组成的线性光学网络（即量子电路），用于模式识别任务。该电路通过应用位移算符、NLA元件、压缩器和格林机等适当的高斯门，将输入的经典态转化为输出的非经典态。研究表明，电路输出为多模频谱纠缠态。除纠缠外，若网络参数设置恰当，输出态还可能具备压缩特性。