量子科技中心_量科网

测量诱导相变（MIPTs）是受量子硬件发展及离散可编程电路动力学启发的全新学术探索。然而实验观测这一相变存在挑战，常需依赖不可扩展方案——如后选择测量轨迹或经典模拟。该研究团队提出一种基于量子注意力网络（QuAN）的可扩展数据核心方法，无需后选择或经典模拟即可检测MIPTs。 通过将QuAN应用于哈尔随机酉变换与弱测量生成的动力学，研究人员首先证明该方法能基于“可学习性”相变（即从测量记录中区分两种初始态的能力）精确定位MIPTs，所获相边界与精确解一致。出于样本效率考量，团队设计了替代性“相位识别”任务——对单初始态生成的弱监测与强监测数据进行分类。研究发现：通过耦合玻恩分布级（轨迹间）与动力学（时序）注意力机制，QuAN仅凭测量数据即可提供对MIPT高效且耐噪声的上界估计。特别值得注意的是，对极小训练样本量模型处理测试数据时轨迹间评分的分析证实，QuAN会重点关注早期玻恩概率分布的尾部特征。这一对QuAN学习机制的可解释性研究，表明相位识别方法能以实验可及的方式有效表征MIPT。 该工作为在近期量子硬件上观测MIPT奠定了方法论基础，同时揭示了基于注意力的架构在学习复杂量子动力学方面的强大潜力。