量子科技中心_量科网

模拟量子模拟器提供了超越经典计算能力的多体动力学研究途径。然而实验数据中的测量噪声、可观测量的局限性以及对微观模型认知的不完整性，往往阻碍了对物理本质的深入理解。该研究团队开发了一种基于变分自编码器（VAE）的机器学习方法，用于分析隧道耦合一维玻色气体（实现正弦-戈登量子场论）的干涉测量数据。通过无监督训练，该自编码器获得了与系统平衡控制参数高度相关的最小潜在表征。在非平衡态实验中，潜在空间揭示了快速冷却后冻结孤子的特征，并发现了传统关联函数方法无法捕捉的淬火后异常动力学行为。这些结果表明：生成模型能够直接从含噪声的稀疏实验数据中提取具有物理可解释性的变量，为量子模拟器中平衡与非平衡物理现象提供了互补性研究手段。该工作更广泛地展示了机器学习如何补充经典场论技术，为量子多体系统中可扩展的数据驱动发现开辟了新路径。