量子科技中心_量科网

哈密顿量学习（HL）作为精确估算系统参数和潜在动态的关键技术，在量子系统表征中具有重要作用。然而传统HL方法在噪声鲁棒性和资源效率方面面临挑战，尤其在测量数据受限的场景下。该研究团队提出《基于逆物理信息神经网络的哈密顿量学习（iPINN-HL）》，该方法将薛定谔方程直接嵌入机器学习流程，通过融合观测数据与已知物理定律实现更高精度和资源效率的参数推断。研究人员将iPINN-HL与基于深度神经网络的量子态层析方法（DNN-HL）进行对比验证，涵盖一维自旋链、交叉共振门校准、串扰识别及参数漂移实时补偿等多类场景。结果表明：iPINN-HL在特定条件下可逼近海森堡极限，同时展现噪声鲁棒性，其精度与资源效率均优于DNN-HL。该工作为实用化量子系统表征提供了一个强大而灵活的框架。