量子科技中心_量科网

量子态层析成像（QST）是验证量子器件的关键技术，但面临系统规模呈指数级增长的问题。受限玻尔兹曼机（RBM）等神经网络量子态能高效参数化多体量子态，已成功应用于QST领域。然而现有方法属于逐点式重建，需要在相图的每个参数值上重新训练。该研究团队提出了一种基于超网络的参数化QST框架，通过哈密顿控制参数调节RBM，使单一模型即可表征整个量子基态族。在横场伊辛模型中，该团队研发的HyperRBM从一维和二维晶格的局域泡利测量数据中，成功实现了跨越双相及临界区的高保真重建。尤为关键的是，该模型无需临界点先验知识即可精确复现保真度敏感性并识别量子相变点。这些成果表明，超网络调制的神经量子态为全相图层析重建提供了高效且可扩展的新路径。