quantum properties, such as entanglement and coherence, are indispensable
resources in various quantum information processing tasks. However, there still
lacks an efficient and scalable way to detecting these useful features,
especially for high-dimensional and multipartite quantum sys
我们建立了一个利用随机生成的状态以无监督方式训练的神经网络来检测三比特系统中的相关性的机器学习模型。我们发现该检测器在区分弱量子相关性（量子异质性）方面比 in fact 原先预期的更好，并且它对于测量量子纠缠的状态的集合往往高估，对于测量量子异质性的状态集合则低估得更少。通过构建一个包含各种类型状态（纠缠状态和可分离状态，包括异质和非异质状态）的图表，我们说明了作为量子相关性的分类的状态的性质。我们发现，接近零的识别损失值与非异质可分离状态的形状在图表上高度吻合，特别是在考虑到此集合在图表上的非平凡形状时。我们精心设计了网络架构：它保留了可分离性，并且其输出在比特排列方面具有等变性。我们展示了架构的选择对于获得比仅使用部分迹操作的基线模型更高的检测准确性是重要的。
Quantum Neural Network (QNN) systems face challenges in testing due to their differences from classical DL systems, therefore this paper proposes QuanTest, a quantum entanglement-guided adversarial testing framework to uncover potential erroneous behaviors in QNN systems.