量子科技中心_量科网

对量子系统的精确表征对于量子技术的发展至关重要，尤其是在含噪声的中等规模量子（NISQ）时代。虽然传统方法如哈密顿量学习和噪声表征通常需要大量测量且难以随系统规模扩展，但机器学习方法提供了有前景的替代方案。该工作将逆向物理信息神经网络（简称PINNverse）框架扩展至由Lindblad主方程描述的开放量子系统。通过将相干与耗散动力学同时纳入神经网络训练，该方法能从含噪实验数据中同时识别哈密顿量参数与衰减率。研究人员通过双量子比特开放系统的数值模拟验证了该方法的有效性与鲁棒性。结果表明，PINNverse为量子系统辨识提供了一个可扩展且抗噪声的框架，在量子控制和误差缓解方面具有潜在应用价值。