ETD

• entanglement detection
• entanglement quantification
• local Pauli measurements
• machine learning
• multilayer perceptron
• multipartite qubit systems
• quantum entanglement
• quantum noise
• regression
• squashed entanglement

Quantum entanglement is a fundamental resource in quantum information, but its characterization becomes increasingly challenging as the size of multipartite systems grows. This thesis investigates machine learning methods to detect and quantify entanglement in pure multiqubit states using only single qubit Pauli expectation values. Two complementary tasks are considered: the distinction between fully separable and entangled states, with particular attention to weakly entangled states close to the separability boundary, and the regression of normalized multipartite classical squashed entanglement. Several machine learning models are evaluated for detection, while multilayer perceptrons are employed for quantification. The low entanglement regime is investigated through dedicated datasets and targeted data augmentation strategies. The proposed approaches are studied for systems of 5, 10, 15, and 20 qubits and are further evaluated under realistic measurement conditions, including finite shot noise, asymmetric readout errors, calibration drift, and data acquired from real quantum processors. The study assesses the scalability, robustness, and practical limitations of data-driven entanglement characterization based on a linearly scaling set of local observables.

L’entanglement quantistico costituisce una risorsa fondamentale per l’informazione quantistica, ma la sua caratterizzazione diventa sempre più complessa all’aumentare delle dimensioni dei sistemi multipartiti. Questa tesi studia metodi di machine learning per rilevare e quantificare l’entanglement in stati puri multiqubit, utilizzando esclusivamente i valori attesi degli osservabili di Pauli relativi ai singoli qubit. Vengono affrontati due compiti complementari: la distinzione tra stati completamente separabili e stati entangled, con particolare attenzione agli stati debolmente entangled prossimi alla frontiera di separabilità, e la regressione dell’entanglement squashed classico multipartito normalizzato. Per il rilevamento vengono valutati diversi modelli di machine learning, mentre per la quantificazione vengono impiegati multilayer perceptrons. Il regime di basso entanglement viene analizzato mediante dataset dedicati e strategie mirate di aumento dei dati. Gli approcci proposti sono studiati per sistemi di 5, 10, 15 e 20 qubit e successivamente valutati in condizioni di misura realistiche, che includono rumore dovuto a un numero finito di shot, errori asimmetrici di lettura, drift della calibrazione e dati acquisiti da processori quantistici reali. Lo studio esamina la scalabilità, la robustezza e i limiti pratici della caratterizzazione dell’entanglement basata sui dati e su un insieme di osservabili locali la cui dimensione cresce linearmente con il numero di qubit.