量子科技中心_量科网

噪声会通过破坏相干性和降低控制保真度，从根本上限制量子系统的性能。准确表征这种噪声对于提升测量精度、理解环境相互作用以及设计有效控制策略至关重要。然而，从有限的实验数据中提取噪声的频谱特征及相关退相干时间仍是关键挑战。该研究团队提出了一种基于动态模态分解（DMD）的数据驱动框架，用于分析随机噪声下量子系统的动力学行为。研究人员将DMD模态重新阐释为量子轨迹系综上的统计权重，并通过非线性变换构建噪声功率谱密度（PSD）。该方法能在白噪声和1/f噪声环境中识别主导频率成分，并直接从DMD特征值获得纯退相干时间T2*。针对标准DMD重建的不稳定性，该工作开发了约束外推方案——以提取的T2*作为物理边界，以学习到的PSD作为模态权重。通过模拟Ramsey型动力学实验，验证了该方法在恢复频谱特征和相干衰减方面的有效性。这种数据驱动的方法为量子系统噪声诊断与预测提供了鲁棒的分析工具。