Matrix-Product Entanglement Characterizing the Optimality of State-Preparation Quantum Circuits
Notice bibliographique
Résumé
Multipartite entanglement offers a powerful framework for understanding the complex collective phenomena in quantum many-body systems that are often beyond the description of conventional bipartite entanglement measures. Here, we propose a class of multipartite entanglement measures that incorporate the matrix product state (MPS) representation, enabling the characterization of the optimality of quantum circuits for state preparation. These measures are defined as the minimal distances from a target state to the manifolds of MPSs with specified virtual bond dimensions χ, and thus are dubbed as χ-specified matrix product entanglement (χ-MPE). We demonstrate superlinear, linear, and sublinear scaling behaviors of χ-MPE with respect to the negative logarithmic fidelity F in state preparation, which correspond to excessive, optimal, and insufficient circuit depth D for preparing χ-virtual-dimensional MPSs, respectively. Specifically, a linearly growing χ-MPE with F suggests H_{χ}≃H_{D}, where H_{χ} denotes the manifold of the χ-virtual-dimensional MPSs and H_{D} denotes that of the states accessible by the D-layer circuits. We provide an exact proof that H_{χ=2}≡H_{D=1}. Our results establish tensor networks as a powerful and general tool for developing parametrized measures of multipartite entanglement. The matrix product form adopted in χ-MPE can be readily extended to other tensor network Ansätze, whose scaling behaviors are expected to assess the optimality of quantum circuit in preparing the corresponding tensor network states.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».