量子科技中心_量科网

在驱动氦原子中，非色散波包是遵循经典共振轨道而不发生扩散的长寿命量子态。传统上，识别这些量子态需要对相空间结构进行详细分析并广泛探索参数区域。本研究引入了一种无监督学习方法，用于自动识别驱动氦原子中的物理相关态。基于Floquet描述，量子态被计算并表示为构型空间和相空间中的概率分布，这些分布作为卷积神经网络的输入，从而构建数据的低维嵌入。嵌入空间中的聚类揭示了量子态的清晰类别。通过结合几何分析、物理参数检查和时间演化研究，该团队识别出对应于冻结行星态和非色散波包的聚类。该方法无需预先标注即可成功恢复已知的非色散波包参数区域，表明学习到的表征能够系统且自动地捕捉具有物理意义的结构。这些结果确立了无监督表征学习作为系统分析复杂量子数据集的有效工具。