量子科技中心_量科网

表征量子系统与环境相互作用是发展稳健量子技术的关键瓶颈。传统断层扫描方法通常需要大量数据且难以扩展。该工作提出了一种利用物理信息神经网络（PINNs）进行Lindblad断层扫描的新框架。通过将Lindblad主方程直接嵌入神经网络的损失函数，该方法既能学习量子态的演化过程，又能从稀疏时序测量数据中推断潜在耗散参数。研究结果表明，物理信息神经网络可同时重构系统动力学和未知噪声参数的功能形式，为量子器件表征提供了样本高效且可扩展的解决方案。该技术最终通过学习系统的主方程，构建出噪声量子系统的全可微分数字孪生模型。