Классификация случайных смешанных состояний, вдохновлённая квантовой теорией

Почему скрытые квантовые паттерны важны

Квантовые технологии — от сверхнадёжной связи до мощных новых компьютеров — опираются на странный вид связи между частицами, называемый корреляциями, особенно запутанностью. В лаборатории, однако, реальные квантовые системы шумны и неидеальны, из‑за чего трудно понять, какие именно корреляции присутствуют. В этой работе предложен новый способ автоматически сортировать зашумлённые квантовые состояния в три широкие категории — некоррелированные, классически коррелированные и действительно запутанные — используя идеи, заимствованные из того, как само квантовое устройство пыталось бы различать состояния. Метод выполняется на обычном компьютере, но ориентирован на принципы квантовой физики с самого начала.

Сортировка квантовых состояний, как электронную почту

Инженеры всё чаще применяют машинное обучение для распознавания паттернов в квантовых данных, аналогично тому, как фильтры спама сортируют письма. Некоторые подходы работают непосредственно на квантовом оборудовании, другие используют классические алгоритмы, лишь черпая вдохновение из квантовой теории. Важный критерий для таких методов — способность корректно классифицировать разные типы корреляций в небольших системах квбитов. Для двух и трёх квбит состояния могут быть полностью независимыми, лишь классически смешанными или подлинно запутанными так, как это нужно квантовым технологиям. Различить эти случаи просто для идеализированных, идеально подготовленных состояний; значительно труднее это становится при наличии несовершенств и шума, когда появляются так называемые смешанные состояния, объединяющие множество возможностей.

Классификатор, вдохновлённый квантовыми измерениями

Авторы опираются на схему, называемую Pretty-Good-Measurement (PGM) классификатором, ранее проверявшуюся на идеальных чистых состояниях. В квантовой теории измерение можно сконструировать так, чтобы максимально надёжно отличать несколько возможных состояний, имея примеры для каждого варианта. PGM — это конкретный рецепт такого близкого к оптимальному измерения. Исследователи переводят эту идею в правило классификации для численных данных: сначала каждое квантовое состояние из обучающего набора представляют в виде матрицы, затем вычисляют среднюю «прототипную» матрицу для каждого класса. Исходя из этих прототипов и их частот, они математически строят набор операторов, похожих на измерения, которые при применении к новому состоянию выдают оценки вероятности принадлежности к каждому классу. В отличие от нейросетей, эта процедура не требует итеративного обучения; как только известны средние по классам, правило принятия решения фиксировано математически.

Генерация справедливых и реалистичных квантовых наборов данных

Чтобы честно протестировать метод, авторам нужно сгенерировать случайные смешанные состояния, которые действительно охватывают весь спектр возможных корреляций без скрытых смещений. Наивные способы выборки матриц обычно дают почти чистые или почти полностью случайные состояния, упуская интересную «среднюю» область. Вместо этого команда использует симметрийно основанные конструкции из квантовой теории: они начинают с равномерно случайных чистых состояний в большей системе и математически «усредняют» невидимую среду (trace out), оставляя смешанные состояния для интересующих квбитов. Тщательно выбирая размер этой среды, можно контролировать уровень шума в итоговых состояниях и частоту появления запутанности. Авторы задают чёткие операционные правила для маркировки каждого состояния — используя стандартные тесты, чтобы решить, является ли состояние сепарабельным, частично коррелированным или несомненно запутанным — и формируют сбалансированные наборы данных как для двух‑квбитных, так и для трёх‑квбитных систем.

Насколько хорошо работает квантово‑вдохновлённый подход?

Имея эти наборы данных, PGM‑классификатор сравнивают с рядом известных классических методов: деревьями решений, случайными лесами, опорными векторами и нейросетями. Для двух‑квбитных систем PGM достигает сбалансированной точности выше 90 процентов, близкой к лучшим нейронным и kernel‑моделям. В трёх‑квбитных задачах, где структура корреляций становится богаче и тоньше, PGM сохраняет или даже улучшает свою относительную эффективность, снова сопоставляясь с ведущими классическими методиками. Когда задачу усложняют, требуя различать несколько разных типов сепарабельных трёх‑квбитных состояний, проблема становится сложнее для всех методов. И даже в таких условиях PGM остаётся конкурентоспособным: он улавливает основные закономерности, но, как и другие классификаторы, иногда путает близкие классы, статистические признаки которых естественно перекрываются.

Что это значит для будущих квантовых инструментов

Для неспециалиста основной вывод таков: существует принципиально обоснованный способ позволить правилам квантовой физики направлять обучение машин для распознавания квантовых ресурсов — без необходимости доступа к реальному квантовому компьютеру. PGM‑классификатор даёт прозрачный, физически обоснованный рецепт для сортировки зашумлённых квантовых состояний по типу корреляций. Он показывает сопоставимые с продвинутыми «чёрными ящиками» результаты, предлагая при этом более явную связь с измеримыми величинами и потенциальные пути реализации на аппаратуре. По мере роста размеров и сложности квантовых устройств такие квантово‑вдохновлённые, но классические инструменты могут стать ценными рабочими лошадками для бенчмаркинга, диагностики и, в конечном счёте, использования запутанности в реалистичных, несовершенных условиях.

Цитирование: Sergioli, G., Cuccu, C., Rieger, C.S. et al. A quantum-inspired classification for random mixed states. Sci Rep 16, 10668 (2026). https://doi.org/10.1038/s41598-026-44068-5

Ключевые слова: квантовая запутанность, квантовое машинное обучение, смешанные квантовые состояния, классификация квантовых состояний, pretty good measurement