量子科技中心_量科网

该研究团队提出了一种机器学习方法，用于在实验观测受限条件下识别开放量子动力学的隐含结构特征。与现有大多数专注于动力学行为检测或预测的数据驱动方法不同，该框架旨在推断有效马尔可夫演化背后的不变代数结构。通过采用可观测量的∗-代数描述，该方法将测量限制、对称性和超选择规则纳入考量。学习问题被构建为基于多时间测量序列的最大似然估计，其中不变子代数（特别是退相干自由子代数）的代数类型被视为离散结构假设。研究通过多个合成模型和波导量子电动力学系统验证了该方法的可行性，成功直接从测量数据中识别出非平凡的中间代数结构。