上述相干性测度对于解释量子关联也很有用。[2 ] 除了基于纠缠的相干性测度外,[5 ] 这方面的进展还包括通过考虑子系统间量子相干性的分布来解释量子纠缠 [ 12 , 26 ] 和各种不和谐类量子关联 [ 26 – 29 ] 。另一种将量子相干性与量子关联联系起来的途径是考虑状态的受控相干性。[30 – 33 ] 特别是,借助相互无偏基,Mondal 等人。 [31] 引入了二量子比特态的量子相干性非局域优势 (NAQC),随后将其推广到 (d×d) 维态(d 为素数幂),[32] 并表明它表征了一种比纠缠更强的量子关联。对于二量子比特态,还建立了 NAQC 与贝尔非局域性之间的联系。[33]
追求增强神经网络的鉴定能力,创建包含各种样本的数据集是一个长期的目标。目的是拓宽神经网络的视野,并不断努力提高预测准确性训练过程,这是最终的评估指标。在本文中,我们通过利用神经网络的知识失明来探索一个有趣的途径,以增强算法有效性。我们的方法围绕用于在半导体双量子点系统中准备任意量子状态的机器学习算法,该系统由高度约束的控制自由度特征。通过利用神经网络产生的随机预测,我们能够指导优化过程以逃避局部优势。值得注意的是,与以前采用强化学习识别脉冲模式的方法不同,我们采用类似于监督学习的训练方法,最终使用它来动态设计脉冲序列。这种方法不仅简化了学习过程,而且还限制了神经网络的大小,从而提高了算法的效率。