量子科技中心_量科网

该研究将物理信息神经网络（PINN）方法融入神经量子态框架，用于模拟开放量子系统动力学，从而规避传统变分方法中计算成本高昂的含时变分原理。提出的PINN-DQME方法采用时域分解策略下的时间编码神经网络，来表征由耗散子嵌入量子主方程（DQME）支配的演化过程。研究人员在单杂质安德森模型中实施并验证了该方法，将PINN-DQME结果与数值精确的层级运动方程进行基准测试。该工作表明，PINN-DQME方法在模拟高温（非马尔可夫效应较弱）条件下的量子耗散动力学时具有高精度。然而，对于低温下强非马尔可夫动力学的模拟，该方法在时间传播过程中面临误差累积的挑战，这凸显了未来在复杂量子动力学场景中应用PINN需要改进的方向。