量子科技中心_量科网

该研究团队提出了一种可推广的框架，用于直接从固态量子系统的实验数据中学习识别有效哈密顿量。该方法基于物理信息神经网络架构，将物理约束直接嵌入模型结构。与纯数据驱动的监督方案不同，这项基于无监督自编码器的方法在解码器网络中融入了主导物理规律（此处为S矩阵形式体系），确保学习到的表征始终保持物理意义。 通过数值学习实验，研究人员展示了从输运测量中实现可编程固态模拟器的自动化表征，并以三重量子点链为例进行验证。训练后的模型能够推广至训练域之外，并准确从输运数据中推断哈密顿参数。虽然模型存在有限容量——当参数空间过大或结构过于多样化时性能会下降——但该工作明确了模型保持稳健泛化能力的参数范围。 该团队进一步展示了如何训练模型处理噪声测量，以反映真实实验条件。这项成果为固态量子系统的自动化表征提供了新思路，通过将物理规律与机器学习有机结合，实现了对复杂量子系统的有效建模。