量子科技中心_量科网

该研究团队提出了一种新颖且可扩展的监督机器学习框架，仅通过局部辅助测量即可预测开放量子系统动力学并检测非马尔可夫记忆效应。系统量子比特通过对称XY哈密顿量与辅助量子比特相干耦合；辅助比特与环境噪声相互作用，且是唯一被测量的量子比特。前馈神经网络通过训练基于历史数据的短滑动窗口，无需量子态层析或环境信息即可预测系统可观测量⟨Z^(S)(t)⟩。 为量化记忆效应，研究人员引入基于归一化复苏的度量标准，通过统计预测⟨Z^(S)(t)⟩曲线中的“回折”现象，计算超过小阈值的样本比例。该有界分数提供了可解释的、模型无关的非马尔可夫性指标。 该工作以两个典型噪声通道（非幺正振幅阻尼与来自随机电报噪声的幺正退相）进行方法验证。在匹配条件下，模型精确复现了动力学过程并标记出记忆效应，其中随机电报噪声表现出比振幅阻尼更高的归一化复苏分数。该方法具有实验可行性且易于扩展，能够通过可获取的局域测量实现实时、可解释的非马尔可夫性诊断。