量子科技中心_量科网

该研究团队采用量子极限学习机（Quantum Extreme Learning Machine）对可调碰撞模型产生的量子动力学参数进行表征与估计。该学习协议的输入由系统与环境连续相互作用产生的量子态构成，而储备池则通过固定哈密顿量演化的无序多体量子系统实现。研究人员系统性地探索了通过引入时间信息和额外观测量来扩展QELM特征空间对参数估计性能的影响。结果表明，相较于基线协议，特征向量的时间维度扩展能持续显著提升估计精度。尤为值得注意的是，引入早期时间步长的记忆效应能带来最显著且稳健的性能提升，而仅基于额外观测量的扩展方案改善效果有限。关键发现是，当动力学过程呈现出更强的非马尔可夫性时，时间记忆所带来的优势会愈加明显，这表明环境记忆效应可成为量子学习的建设性资源。