量子科技中心_量科网

非平衡量子多体系统展现出快速关联积累现象，这是诸多新兴物理现象的基础。描述该过程的精确波函数方法会随粒子数呈指数级复杂化；而简化的平均场方法则忽略了关键的双粒子关联效应。含时双粒子约化密度矩阵（TD2RDM）方法通过演化双粒子约化密度矩阵（2RDM），并利用三粒子累积量的重构来闭合BBGKY层级方程，从而提供了一种折中方案。然而在忽略记忆效应的前提下，时间局域重构泛函在不同动力学区域的适用性与存在性仍不明确。该工作证明，基于精确2RDM数据（未降维）训练的神经ODE模型，仅当双粒子与三粒子累积量间的皮尔逊相关性较强时，才能无需显式三粒子信息即可重现其动力学行为。在反相关或非相关区域，神经ODE模型失效，表明瞬时双粒子累积量的任何简单时间局域泛函都无法描述演化过程。时间平均的三粒子关联积累强度似乎是预测成功的关键指标：当关联积累适度时，神经ODE预测与现有TD2RDM重构均保持准确；而关联过强时则会出现系统性失效。这些发现揭示，在强关联区域必须采用依赖记忆效应的核函数进行三粒子累积量重构。该研究将神经ODE确立为一种模型无关的诊断工具，既能标定累积量展开方法的适用边界，又可指导非局域闭合方案的开发。更广泛而言，从有限数据中学习高维RDM动力学的能力，为快速数据驱动的关联量子物质模拟开辟了新途径。