量子科技中心_量科网

模拟具有空间结构和外部控制的开量子系统动力学是量子信息科学领域的重要挑战。针对此类系统的经典数值求解器需要耦合主方程与场方程进行积分运算，这在计算资源上对模拟与优化任务提出了极高要求，往往无法满足网络级模拟或反馈控制的实时需求。该研究团队提出了一种基于区域注意力机制的神经网络架构，该架构能够学习结构化开量子系统的时空动力学特性。该模型将物理定律的平移不变性作为归纳偏置以实现可扩展的计算复杂度，并支持对时间依赖性全局控制参数进行条件化处理。研究人员在两个典型系统（受驱耗散单量子比特和电磁诱导透明量子存储器）上验证了学习性能。结果表明：无论是分布内还是分布外控制协议下，该模型均能实现高预测保真度，相比传统数值求解器可获得高达三个数量级的加速效果。这些成果证实该架构为空间结构化开放量子动力学建立了通用代理建模框架，在大规模量子网络模拟、量子中继器与协议设计、实验实时优化，以及跨平台光-物质相互作用器件建模等领域具有直接应用价值。