只看低阶自旋关联也能判定纠缠：EntNet用16个局域酉不变量跨链长与哈密顿量族识别多体纠缠
核心概要
多体纠缠的判定不再依赖重构完整密度矩阵或预设的纠缠判据。EntNet把一维自旋链上二至四体的Pauli关联整理成局域基变换下不变的表示，稀疏筛选出16个特征通道，再用带旋转位置编码的Transformer学习这些特征沿链的空间排布。在有限温度XY链基准上，它仅凭这些低阶可观测量的期望值就达到100% AUROC，并在2000个构造性可分离态上把假阳性率控制在0.003；同一模型不经重训即可迁移到XXZ、阻挫J1–J2与随机局域哈密顿量族以及更长的链。
深度剖析
纠缠判定现在可以直接建立在实验可测的低阶自旋关联上，而不必先做量子态层析。 此前的纠缠判据通常需要密度矩阵信息，或依赖预先设定的见证构造和特定可观测量的选择。 在有限温度XY链基准上，EntNet取得100% AUROC，并在2000个具有非平凡经典关联的构造性可分离态上取得0.997的真阴性率。
模型把每个格点的关联特征排成序列，用自注意力比较不同位置上的关联模式。 局域基旋转会改变原始Pauli关联，因此输入改用张量展开的奇异值等局域酉不变量，使同一物理态在不同基下得到相同特征。 训练使用35000个合成自旋链态，可分离与经认证纠缠各半；候选的117个不变量通道经稀疏门控蒸馏为16个，模型约48万个参数。
同一套冻结的16通道模型无需重训即可用于其他哈密顿量族和更长的链。 在XXZ、阻挫J1–J2与随机局域哈密顿量基准上，AUROC接近1，并能识别更高阶认证的纠缠态。 主要性能下降出现在J1–J2的J2态，召回率为0.86而AUROC仍为1.0000；补充具有强次近邻关联的训练态后，该召回率恢复到1.0000，且所选16个通道不变。
启示与展望
结果建立在一维自旋链上，训练与评测态均为合成或数值计算的态，输入是精确的关联期望值；有限采样、读出误差与不完美态制备尚未纳入。作者提出的下一步包括把表示推广到二维和三维晶格、推广到费米子系统，以及压缩所需测量集合以适配超导量子比特阵列、囚禁离子等可编程量子模拟器和散射实验。
作者明确指出，EntNet在有限温度下随外场移动的下边界刻画的是模型对热激发关联特征的敏感度，而不是严格的纠缠可分边界；在XX极限下固定正温度时，不同有限外场下的吉布斯态可由可逆局域变换相互联系，精确可分性并不依赖外场。此外，16通道表示中不含间距为3和4的显式配对通道这一现象来自16格点上的训练，是否在热力学极限下保持尚待确定；特征维度下降也不等于Pauli测量次数同比例下降。