量子导引作为一种介于量子纠缠与量子非定域性之间的独特量子关联，在半仪器无关的量子密钥分发、真随机数生成等量子信息处理任务中发挥着关键作用。半定规划方法虽然为量子导引度量的计算提供了有效工具，但该方法需要预先获知量子态的完整密度矩阵信息，这依赖于实验上复杂的量子态层析技术；另外需要对所有可能的测量方向进行优化以寻找最小值，当测量设置数目较大时，这一过程将带来巨大的计算开销。针对这些问题，我们提出了一种基于半监督自训练模型的方案，通过对未知量子态进行投影值测量获得概率分布，高效估算其导引权重，避免了量子态层析和测量方向遍历的需求。此外，我们还拓展了机器学习方法在量子资源量化中的应用，通过提取量子态的部分特征信息，实现了对量子纠缠和量子相干性的有效估计。

陈芝花，集美大学教授，博士生导师，主要从事量子信息中量子关联方面的研究工作，主持国家自然基金三项，在《Phys. Rev. Lett.》、《Phys. Rev. A》等发表论文多篇。