[論文レビュー] Learning partial transpose signatures in qubit ququart states from a few measurements

Christian Candeago, Paolo Da Rold+3 more|arXiv (Cornell University)|Feb 22, 2026

Quantum Information and Cryptography被引用数 0

ひとこと要約

論文は、限られた測定で2x4の量子状態におけるPPTとNPTを識別する機械学習分類器を開発し、偏自己共役の負固有値の数を予測することで、完全トポロジーなしの測定効率の高い蒸留性スクリーニングを可能にする。

ABSTRACT

Higher-dimensional quantum systems are attracting interest for improving quantum protocol performance by increasing memory space. Characterizing quantum resources of such systems is fundamental but experimentally costly. We tackle the first non-trivial example: a qubit-ququart system, focusing on partial-transpose spectral classification. Entanglement distillation extracts maximally entangled states from noisy resources, but determining distillability typically requires full state tomography, experimentally prohibitive for high-dimensional systems. We explore a machine learning framework to classify distillable bipartite quantum states using fewer measurements than complete tomography. Our approach employs the PPT criterion, categorizing states by negative eigenvalues in the partial transpose. We use various ML algorithms, including Support Vector Machines, Random Forest, and Artificial Neural Networks, with features from fixed measurements and learnable observables. Results show learnable observables consistently outperform Collective Measurement Witnesses methods. While all models distinguish between non-distillable (PPT) and distillable (NPT) states, differentiating NPT subclasses remains challenging, underscoring the intricate Hilbert space geometry. This work provides an experimentally friendly tool for distillability verification in high-dimensional quantum systems without full state reconstruction

研究の動機と目的

• 高次元二部系における完全状態トモグラフィーを回避して実用的な蒸留性評価を動機づける。
• 量子ビット×クォート系（2x4）においてPPTとNPT状態を区別するMLベースの分類器を開発する。
• 偏自己共役の負固有値の数によって定義されるNPTサブクラスξ=0,1,2を予測する。
• 学習可能観測量ニューロンネットワークと固定観測量CMW（Collective Measurement Witness）を比較する。
• NPT1とNPT2を分離する本質的難易度とその幾何学的起源を評価する。

提案手法

• 3つの学習フレームワーク（ANN、SVM、RF）を用いて、選択された観測量の期待値に基づいて状態を分類する。
• 固定CMW特徴と、ネットワークパラメータと共同で最適化された学習可能観測量を比較する。
• 観測量数kを変えて約4,500の訓練データと1,500のテストデータセットで評価する（最大64個の観測量）。
• 偏自己共役の負固有値を数えることでPPT判定を表現し、ξ∈{0,1,2}に焦点を当てる。
• Macro-F1を主要指標として、PPT対NPTおよびNPTサブクラス間のクラス別性能を評価する。

Figure 1 : Schematic representation of the machine learning pipeline for quantum state classification. (a) Bipartite quantum state $\rho$ shared between subsystems $\mathcal{H}_{A}$ and $\mathcal{H}_{B}$ . (b) Measurements performed on the quantum state, yielding observable expectation values as inp

実験結果

リサーチクエスチョン

• RQ1 限られた測定でML分類器は完全トモグラフィーなしに2x4系のPPTとNPTを区別できるか？
• RQ2 2x4状態の偏自己共役の負固有値数ξをMLはどれくらい正確に予測できるか？
• RQ3 学習可能観測量はこの課題で固定CMWを上回るか？
• RQ4 現実的な測定予算の下でNPT1とNPT2を分離する本質的難易度はどの程度か？

主な発見

• 学習可能観測量モデルは、固定CMWベースのモデルよりも一貫して優れている。
• 観測量数kを増やすとMacro-F1は64まで改善し、それ以降は利得が飽和する。
• 分類はNPT0（PPT vs 非PPT）で最も正確で、Macro-F1は約0.75–0.90；NPT2は中程度で約0.60–0.70；NPT1は最も弱くMacro-F1<0.50。
• NPT1とNPT2の識別は2x4状態空間の幾何学的重なりのため本質的に難しく、モデルの限界ではない。
• SVMとRandom Forestはこの課題でANNベースのアプローチより性能が劣る。
• t-SNEの可視化はNPT1とNPT2サブスペースが強く絡み合っていることを裏付け、少数の観測量を用いることの幾何学的限界を浮き彫りにしている。

(a)