量子科技中心_量科网

在嘈杂中等规模量子（NISQ）设备上模拟开放量子系统动力学是一项重大挑战，因为高噪声水平和环境退化会导致纯量子态衰减（退相干）和能量损失。这一现状构成了量子信息技术领域最重要的问题之一。虽然现有数据驱动方法难以实现训练数据外的泛化（外推），而物理信息神经网络（PINNs）需要预定义控制方程，当底层物理机制不完整或未知时，其发现能力会受到限制。该工作提出ParaQNN（ParaQuantum神经网络）架构——一种无方程的物理发现框架。通过采用能同时处理矛盾命题的辩证逻辑层，将相干信号与退相干噪声建模为独立但相互作用的通道，ParaQNN无需依赖先验定律即可解耦多尺度动力学。在拉比振荡、林德布拉德动力学以及弛豫与退相过程相互竞争的复杂“混合态”等基准测试中，该模型相比随机森林、XGBoost和物理信息不完整的PINN模型展现出持续性能优势。不同于其他方法，ParaQNN能通过从噪声测量中“发现”底层结构不变量，即便在没有训练数据的外推区域，也能高精度保持振荡与阻尼动力学特征。这些结果表明：当数学方程不足时，次协调逻辑为学习量子行为提供了比经典方法结构更稳定的认知基础。