Physics-Informed Neural Networks for Maximizing Quantum Fisher Information in Time-Dependent Many-Body Systems
Questo lavoro presenta un framework basato su reti neurali informate dalla fisica (PINN) che, combinando una formulazione variazionale con un'espansione di Magnus, ottimizza l'informazione di Fisher quantistica in sistemi a molti corpi dipendenti dal tempo attraverso l'apprendimento di potenziali di gauge adiabatici e funzioni di schedulazione, superando le soluzioni di riferimento e offrendo strategie di controllo metrologico ottimali per sistemi di spin fino a sei qubit.