量子科技中心_量科网

研究无假设林德布拉德学习问题，即在无需事先了解哈密顿量或耗散子结构的情况下重构开放量子系统生成元。该问题存在两种不同的信息论精度极限：未被耗散掩盖的哈密顿量分量受限于海森堡极限，而其余林德布拉德分量则受限于二次衰减的标准量子极限。现有达到最优标度的方案严重依赖预设的相互作用与噪声结构，使得无假设场景成为开放问题。本研究提出首个达到标准量子极限的算法，用于学习任意稀疏林德布拉德算子。在额外物理驱动的正则性条件下，该框架还能以海森堡极限学习与耗散子不相交的哈密顿量分量，且无需事先了解哈密顿量或耗散子的支撑结构。关键技术贡献在于递归随机稳定子编码构造，该方法在压制最强林德布拉德项的同时保持对较弱未知项的敏感性。这些结果建立了表征未知开放量子系统的可扩展框架，其中量子纠错作为核心学习原语发挥作用。