一个国际物理学家团队发现，深度学习人工智能技术可以准确量化给定系统中的纠缠量——先前的研究表明，给定系统的“量子性”程度可以用单个数字来描述。在他们发表在《科学进展》杂志上的论文中，该小组描述了他们的技术以及它在现实环境中测试时的效果。
在过去的几年里，随着科学家对纠缠的了解越来越多，他们发现为了使其在应用中有用，此类系统的设计者需要一种方法来确定其纠缠程度。当然，这提出了一个问题，因为测量量子态会破坏它。
为了解决这个问题，物理学家开发了所谓的量子断层扫描技术，其中制作了一个状态的多个副本，并对每个副本进行测量。这种技术可以确保100%的准确性，但它是详尽的并且需要相当大的计算能力。另一种方法涉及使用有关系统状态的有限信息进行有根据的猜测。这涉及精度和资源使用之间的权衡。在这项新的努力中，研究团队为解决这个问题带来了一种新工具：深度学习神经网络。
该团队使用人工智能技术来提高给定系统纠缠程度估计的精度，而不是直接测量它们。为此，人工智能应用程序被教导使用另一个提供数值数据的系统生成的数据来研究纠缠量子态。然后，人工智能应用程序使用生成的数据生成对纠缠程度的连续估计，并随着每次运行而变得更加精确。
研究人员通过对通过模拟获得的辅助数据集进行训练来测试他们的方法，发现错误率比传统估计方法低 10 倍。然后他们再次进行了测试，这次是在现实环境中。他们发现用模拟数据测得的改善程度相同。
