量子科技中心_量科网

非马尔可夫量子态扩散方法为开放量子系统建模提供了基于波函数的理论框架。该研究团队提出了一种基于算符构造算法的创新机器学习方法。该算法利用神经网络作为通用生成器，从量子轨迹系综中重构随机时间演化算符。与仅近似时变波函数或期望值的传统机器学习方法不同，这种基于算符的途径具有更广泛的应用前景，并提高了随机过程的可解释性。研究人员在多种谱密度下的自旋-玻色子模型中验证了算法精度。此外，该工作还展示了该算符在计算吸收光谱和重构长时间尺度约化密度矩阵方面的优势。这些成果为机器学习在量子动力学中的应用建立了新范式。