Die Hierarchie der Messungseinstellungen wird durch das Konzept des quantenmechanischen Lenkens verstanden. Zwei Parteien, Alice und Bob, teilen sich einen unbekannten Quantenzustand, ρAB. Alice führt eine Messung durch, die durch die projektive Messung Ma|x definiert ist, für die gilt: Ma|xMa′|x = δa,a′Ma|x ∀ x und ∑aMa|x = Id, wobei x = 0, …, n-1 und a=0, …, o-1 den Index der zu beobachtenden Quanten und der Messergebnisse darstellen. Damit Bob klassische Informationen über die Wahrscheinlichkeiten p(a|x) = Tr(σa|x) und Bobs Quantenzustände ρa|x^B erhält. Die Assemblage ist als unsteuerbar definiert, wenn sie ein klassisches Beschreibung des versteckten Ortszustands-Modells zulässt. Die Entscheidung, ob ein Assamble eine LHS zulässt, ist ein semidefinitives Programm (SDP). Hierbei wird dargestellt, dass, wenn Lösungen gefunden werden können, die Assamblage eine LHS zulässt und steuerbar ist.
Die Bestimmung der Steuerbarkeit eines bipartiten Quantenzustands mit einer gegebenen Anzahl von Messungen gestaltet sich schwieriger. Dazu muss die Anzahl der Beobachtungen festgestellt werden, die steuerbare Assemblagen erzeugen. Es wurde festgestellt, dass, auch wenn die QE-Aufnahme durch einen Quantenzustand erzeugt wird, ist es die Assemblage, die als der intrinsische Ressource im Quantenlenken gedacht ist. Im Gegensatz zur effizienten Überprüfung der Lenkbarkeit einer Assamblage mithilfe eines SDP ist es schwieriger festzustellen, ob ein bipartiter Quantenzustand steuerbar ist. Um die Steuerbarkeit zu bestimmen, muss jede mögliche inkompatible Messung getestet werden.
Es wurde durch Training von überwachten Deep-Learning-Modellen auf ausreichend gekennzeichneten Trainingsdaten vorgeschlagen, den Zugang zur Hierarchie der Lenkung zu bestimmen. Feature-Engineering ist entscheidend, bevor es in das Deep-Learning-Modell eingespeist wird, um das Objekt in ein Merkmal von Länge k zu kodieren. Der k-Feature-Länge ist in der Lage, die Konzepte von Quantensteuerung und Quantenellipsoiden sinnvoll zu kodieren; die effizienteste Methode ist das lokale und klassische Brennen von Alice. Trotz der Effizienz, mit der die Modelle auf die Objekte reagieren, kann man informative Parameter schätzen, die entscheidend für die Charakterisierung der Quantensteuerung sind.
Das Überprüfen der Genauigkeit der gut trainierten Modelle zeigt, dass die Steuerbarkeit von Alice zu Bob dominanter durch das regulär ausgerichtete Ellipsoid von Alice bestimmt wird, anstatt durch das von Bob. Die Trainingsdaten und SDP-Iteration befassen sich damit, geeignete markierte Trainingsdaten zu erzeugen, um die erforderlichen markierten Rohdaten zu generieren. Die Vorhersagen bestätigen die wichtigen Eigenschaften von Superspekulation und weisen auf versteckte Lenkbarkeit hin, die ein kritisches Merkmal für unser globales Problem darstellt.