量子科技中心_量科网

高增益自发参量下转换（SPDC）能产生具有丰富高维纠缠态的明亮压缩真空，但其输出本质上是多模态且非微扰的，这使得全模态表征成为主要计算瓶颈。该研究团队提出了一种物理引导的深度神经网络来重建光源的模态指纹——跨越径向与方位角指数的高维关联特征。研究人员设计了一种FiLM调制的卷积架构来预测联合(m,l)分布，并通过混合损失函数驱动训练，该函数将数据驱动指标（JSD、KL、MSE、Wasserstein距离）与软性轨道角动量（OAM）守恒项耦合，为物理一致性解提供了关键归纳偏置。在不同增益机制下，该方法实现了平均JSD为1.96e-3、WEMD为1.54e-3、KL散度为7.85e-3的高保真重建，相比完整数值模拟提速约128倍，并较U-Net基线模型获得30%以上的精度提升。这些结果表明：通过软性OAM守恒正则器和物理生成的训练目标，物理引导学习能实现快速且数据高效的模态表征。与传统数值模拟相比，该工作提出的无网格方法在有限或受污染训练数据下展现出良好泛化能力，并能对高维纠缠系统量子动力学进行快速“在线”预测，满足实际实验实施需求。