量子科技中心_量科网

周期性量子系统展现出丰富多样的远离平衡态现象，是量子工程与控制的理想平台。然而，由于希尔伯特空间维度的指数级增长和量子纠缠的快速扩散，传统数值方法模拟其动力学仍具挑战性。该工作提出将傅里叶神经算子（FNO）作为非平衡量子动力学的高效、精确且可扩展的替代模型——通过在傅里叶空间参数化，FNO能自然捕捉时间相关性，同时对时间离散化保持最低依赖性。研究人员通过三种互补的学习范式展示了FNO的多功能性：重构有效弗洛凯哈密顿量、预测局域观测量期望值以及学习量子信息扩散。对于每项学习任务，相比精确数值方法，FNO在保持卓越精度的同时实现了显著加速。此外，FNO还具有跨不同时间离散化与系统驱动频率的迁移学习能力。该团队还证明FNO能外推超出训练数据时间窗口的预测，从而获取其他方法难以观测的动力学信息。通过采用适当的局域基，该研究指出FNO的计算成本仅随系统规模呈多项式增长。这些成果确立了FNO作为预测非平衡量子动力学的通用可扩展工具，在近端量子计算机数据处理等领域具有应用潜力。