量子科技中心_量科网

耗散通常被视为预测量子动力学的障碍，然而它也能将轨迹收缩至稳态，从而抑制累积的预测误差，这使得耗散最终是有助于还是阻碍开放量子动力学的可学习性尚不明确。该研究利用神经常微分方程（NODE）替代模型，针对开放海森堡 XYZ 自旋链探索了这一问题。闭系统的可学习性随系统规模增大而迅速恶化，在四量子比特时出现静态预测崩溃；耗散逆转了这一趋势，在中等系统规模下创造出一个宽区域高保真度区间，而在四量子比特时，一种保真度感知的目标函数恢复了闭系统训练中所缺失的可学习滚动结构。与静态和稳态基线的比较表明，耗散通过两种根本不同的机制提升性能：在弱到中等耗散下，替代模型捕捉到了非平凡的瞬态动力学，并显著优于平凡预测器；而在较强阻尼下，高保真度更多地反映了轨迹向稳态的简化，而非学习到的动力学得到改善。这些结果表明，耗散可以增强开放量子动力学的可学习性，但仅凭保真度不足以区分真正的动力学学习与稳态平庸化：耗散收缩和轨迹简化是两种不同的效应，它们在不同区间达到峰值，在评估学习到的量子动力学替代模型时应予以区分。