量子科技中心_量科网

传统模拟量子多体动力学的方法通常只产生单一轨迹：如果哈密顿量或初始状态发生变化，就必须重新进行计算。近期针对基础模型的研究开始尝试解决这一限制，但现有方法要么能跨哈密顿量迁移，要么能跨初始状态迁移，却无法同时实现两者。在本工作中，该团队提出了通用神经传播子（UNP），这是一个统一的单一模型，能够学习从驱动协议到时间演化传播子的函数映射。该模型以完全自监督的方式训练，单个UNP模型可以同时预测跨越驱动协议函数空间和指数级巨大的希尔伯特空间初始状态的动力学。该团队在二维驱动伊辛模型上进行了基准测试，展示了UNP在乘积态和纠缠初始状态上的准确性及迁移能力，同时也验证了其在分布内和分布外驱动协议下的表现。UNP在超出精确对角化能力的系统规模上仍保持准确，并且可以通过可观测数据对所有初始状态进行高效微调。通过将学习对象从量子态转向算子，这项工作为驱动量子物质的可迁移模拟开辟了一条新路径。