量子科技中心_量科网

理解开放量子系统中的耗散过程对于开发稳健的量子技术至关重要。该工作引入了一种基于Transformer的机器学习框架，用于推断由Lindblad主方程描述的量子系统中的时变耗散率。该方法利用可观测量（如单Pauli算符的期望值）的时间序列作为输入，无需初始量子态知识甚至系统哈密顿量，即可学习耗散特性。研究团队在一系列复杂度逐渐增加的开放量子模型上验证了该方法的有效性，包括具有时不变或时变跃迁率的单量子比特系统、双量子比特相互作用系统（如海森堡模型和横场伊辛模型）以及涉及光-物质相互作用和时变衰减率的腔损耗的Jaynes-Cummings模型。该方法能够精确地从可观测量时间序列中重建固定和时变衰减率。为支持这一结论，研究团队证明了在合理的假设下，所有这些模型中的跃迁率均可由有限的观测量（如量子比特和光子测量）唯一确定。在实际应用中，研究团队将基于Transformer的架构与轻量级特征提取技术相结合，以高效学习这些动力学过程。研究结果表明，现代机器学习工具可作为识别开放量子系统中未知环境的可扩展且数据驱动的替代方案。