通过数据增强神经网络分类多部分连续变量纠缠结构

《Nature Machine Intelligence》：Classifying multipartite continuous-variable entanglement structures through data-augmented neural networks

　　

神经网络已成为量子信息处理中有前景的范式，但研究人员面临生成足够规模和丰富多样性的训练数据集的挑战，这在处理多部分量子系统时尤为突出。例如，在连续变量系统中分类多部分纠缠的不同结构时，需要模拟大量能够覆盖尽可能多种类非高斯态的无限维态数据。在此，研究人员开发了一种数据增强神经网络，利用零差测量数据来处理这一任务。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。通过对随机生成的三部分和四部分态进行测试，研究人员证明该网络能够推断不同分区间的纠缠结构，并且数据增强显著提高了准确率。该方法使得研究人员能够进一步将数据驱动的机器学习技术扩展到学习编码在大希尔伯特空间中的量子系统等更复杂任务中。

论文解读文章：基于数据增强神经网络的多部分连续变量纠缠结构分类

**研究背景与问题**
神经网络在量子信息处理中展现出巨大潜力，例如量子态重构、特征学习和基本物理发现。然而，这些数据驱动技术的有效性高度依赖于训练数据集的规模与多样性。对于多部分量子系统，由于子系统数量增加导致复杂度指数级增长，生成足够多样化的训练数据变得尤为困难。在连续变量（CV）系统中，多部分纠缠结构的分类是一个典型难题。多部分纠缠根据子系统间可分性（即多分区）进行分类，但任意非高斯态（其高阶矩中存在非平凡关联）的纠缠结构检测在实验上难以实现，传统全量子态层析（tomography）成本过高且不适用于无限维希尔伯特空间。尽管神经网络已成功用于离散变量系统的纠缠结构分类，但对于连续变量非高斯态，不仅需要设计有效分类器，还需克服生成多样且可靠标记训练样本的主要障碍。因此，研究人员开展本研究，旨在开发一种基于数据增强的神经网络方法，利用实验可行的零差测量数据，高效分类多部分连续变量纠缠结构。

**研究内容与结论**
研究人员开发了一种数据增强神经网络，并提出了量子数据增强（QDA）方法，基于模式置换和凸组合等量子物理原理生成新训练样本。通过在三部分和四部分连续变量系统上的测试，证明该网络能准确推断不同分区的纠缠结构，且数据增强显著提升了分类准确率：三部分态从0.961提升至0.986，四部分态从0.796提升至0.928。该工作提供了一种实验可行的途径来分类多部分非高斯纠缠结构，并可能用于量子相位估计，同时扩展了数据驱动机器学习技术在大型希尔伯特空间量子系统学习任务中的应用。论文发表在《Nature Machine Intelligence》。

**主要关键技术方法（不超过250字）**
研究人员采用恒星形式（stellar formalism）描述非高斯态，根据恒星秩（stellar rank, r）量化非高斯性，生成随机种子态，包括r∈{0,1,2,3,+∞}的态（含高斯态、非高斯态和猫态）。通过平衡分束器混合模式，利用零差检测得到联合概率分布，离散化为24×24像素的相关模式（correlation patterns）。神经网络由并行卷积子网络（convolutional sub-networks）组成，每组处理四个相关模式，经全连接层分类为多分区标签。QDA操作基于模式置换（mode permutation）和凸组合（convex combination），在保持纠缠标签不变的前提下高效生成新样本。样本队列来源为随机生成的三部分（30,000样本）和四部分（20,000样本）态，各分区类别均衡。

**研究结果**
- **Multipartite entanglement detection（多部分纠缠检测）**：研究人员定义任意多分区可分态的形式，并依据每个子系统模式数相同归为同一多分区类，如全可分（1?1?1）、双可分（1?2）和全不可分三类。
- **Quantum state set construction（量子态集构建）**：基于恒星形式生成种子态，通过张量积构造不同分区类别的态，并利用量子Fisher信息（QFI）准则识别全不可分种子态，确保训练集标签可靠。
- **Correlation patterns from homodyne detection（来自零差检测的相关模式）**：使用平衡分束器混合模式，测量联合概率分布，得到12个（三部分）或16个（四部分）相关模式，作为网络输入。
- **Network input and training strategy（网络输入与训练策略）**：将相关模式组织为三组，每组四个，由三个并行卷积子网络处理，输出预测的多分区标签。损失函数为分类交叉熵，80%数据用于训练。
- **QDA（量子数据增强）**：提出两种QDA操作：模式置换（排列模式索引不改变纠缠标签，可高效生成新样本）和凸组合（全可分态的凸组合仍为全可分，用于扩充训练集）。
- **Entanglement structure classification（纠缠结构分类）**：在三部分态上，原始训练集准确率0.961，应用六倍数据增强后提升至0.986；四部分态上，原始准确率0.796，24倍增强后提升至0.928，混淆矩阵显示各分区分类准确率均超过0.835。

**讨论总结与结论翻译**
讨论部分指出，数据增强对较小原始数据集效果更显著；对于四部分中2?2类，通过增加额外相关模式可提升检测准确率至0.922；离散化信息损失可通过网络非线性特征提取克服；统计波动（有限采样）对性能影响较小，加入少量含波动样本可进一步提升鲁棒性；网络对光子损耗、热噪声、相位噪声等实验噪声具有良好泛化能力，并能推广至训练集中未出现的自发参量下转换产生的无限恒星秩态；五部分系统测试显示，数据增强仍能显著提升准确率（从76.7%至92.4%），但进一步扩展需管理计算成本。

研究结论翻译如下：总之，研究人员提出了一种数据增强深度学习方法，仅利用可行的零差测量数据，即可分类具有有限和无限恒星秩的一般多部分连续变量态的量子纠缠结构。该过程涉及训练一个卷积神经网络，该网络以通过QDA方法生成的多样化合成数据集作为输入，QDA方法植根于基本物理原理。尽管当前工作集中于基于分区的纠缠结构分类，但该框架本质上可扩展至给定分区内不同纠缠类型的更细粒度区分。通过从置换不变映射过渡到置换等变映射，网络能有效区分特定配置，如双可分类内的不同二分分裂。更广泛地，该策略可通过利用目标量子性质在特定操作下的不变性（类似于量子资源理论中的“自由操作”）推广至其他复杂多部分场景。资源理论的指导可启发QDA策略的发展。未来工作可探索结合这种资源不变性的混合设计，特别是与近期发展的等变神经网络架构相结合。关键的是，QDA增强网络不仅捕捉了底层纠缠特征，还作为量子信息处理任务的实用工具。