量子科技中心_量科网

受时变哈密顿量支配的量子体系在精确计算幺正时间演化算子时面临重大挑战，而该算子是预测量子态动力学的关键要素。本研究提出了一种基于物理信息神经网络的物理启发深度学习框架，用于在全时域范围内估算这类算子。通过引入幺正性等物理约束条件，并利用演化算子的二阶马格努斯展开，该框架实现了不同时间区间幺正矩阵的估算。研究团队采用模拟幺正算子对模型进行训练，并在2至6量子比特体系中进行验证。针对7和8量子比特的大规模多体系统，该工作沿用相同方法重构出有效的时变哈密顿量，进而计算出全域时间演化算子。实验表明，仅需少量幺正样本即可实现超过0.92的保真度，这意味着测量与数据获取成本可能显著降低。这些成果凸显了该方法在数据驱动的量子动力学系统模拟与识别方面的有效性，对量子计算和量子模拟应用具有直接参考价值。