量子科技中心_量科网

学习高维量子系统是一个根本性挑战，该问题因维度灾难而臭名昭著。该研究团队将线性响应体系中预测量子演化的任务，表述为学习具有扇区有界特征值的复值线性动力系统（CLDS）的特例——这一设定也涵盖了现代结构化状态空间模型（SSMs）。尽管传统系统辨识试图重建完整系统矩阵（导致希尔伯特维度下的指数级成本），但该工作提出了量子频谱滤波方法，将目标转向非精确动态学习。借助Slepian基函数的最优集中特性，研究人员证明此类系统的可学习性严格取决于由频谱带宽和记忆跨度决定的有效量子维度k*。这一结果表明：只要谱线有界，复值线性动力系统的学习和计算复杂度可以与环境状态维度无关。