摘要我们训练卷积神经网络，以预测一组测量值是否在信息上完成，以唯一地重建任何给定的量子状态，而没有先前的信息。此外，我们基于此测量集进行了实力基准测试，而无需明确执行州断层扫描。网络经过训练，以认识到内容的实现和可靠的信息完整性措施。通过逐渐积累的测量和数据，这些受过训练的卷积网络可以通过加速运行时计算并大大降低实验中的系统漂移来有效地建立一个压缩量子状态表征方案。我们通过为大小的空间模式和多光子系统提供实验结果来确保这种机器学习方法的潜力。当网络接受来自实际实验数据的其他自举训练集训练时，这些预测将进一步改善。使用Hermite – Gaussian来源的逼真的梁透明位移误差模型，我们进一步证明，通过训练有素的网络，通过训练有素的网络使用培训时间降低了认证时间的降低顺序，从而大大提高了使用这些来源的大规模量子处理器的计算产率，然后才能确定这些来源。