Quantum Filtering and Stabilization of Dissipative Quantum Systems via Augmented Neural Ordinary Differential Equations

技术摘要：通过增强型神经常微分方程实现耗散量子系统的量子滤波与稳定

问题陈述
开放量子系统的估计与控制是一个基本挑战，尤其是当系统的哈密顿量或噪声模型并非完全已知时。在现实的实验设置中，量子轨迹只能通过连续弱测量进行部分获取，而底层动力学受到隐藏的、随时间变化的且依赖于环境的耗散过程（非马尔可夫效应）的影响。传统的控制策略（如最优控制或李雅普诺夫方法）高度依赖于对系统哈密顿量和耗散动力学的完整知识，这使得它们在信息不完全的场景下难以适用。此外，标准的机器学习方法往往缺乏物理可解释性，并且无法显式地恢复关键的未知参数，而这些参数对于设计反馈控制律至关重要。核心难点在于如何在没有显式物理模型的情况下，仅从不完整的测量数据中同时重建完整的量子态（布洛赫矢量）并推断隐藏的耗散率。

方法论：AQNODE 框架
作者引入了**增强型量子神经常微分方程（AQNODE）**框架，这是一种数据驱动的方法，旨在直接从部分连续测量数据中学习量子轨迹和耗散参数。

1. 增强状态表示： 与仅学习可观测轨迹的标准 Neural ODE 不同，AQNODE 定义了一个增强状态向量 $Y_{aug}(t) = [x(t), y(t), z(t), \Delta(t), \gamma(t)]^T$。这包括可观测的布洛赫矢量分量（$x, y, z$）以及隐藏的、随时间变化的耗散参数：扩散率 $\Delta(t)$ 和耗散率 $\gamma(t)$。这种增强将问题从纯粹的轨迹预测转化为联合系统辨识与滤波问题。
2. 架构： 该框架由三个主要部分组成：
   • 编码器（Encoder）： 一个神经网络，将部分测量记录（$dY(t)$）、控制输入（$u(t)$）和初始条件映射到潜在表示$h(t)$。
   • 神经常微分方程（Neural ODE）： 潜在状态随时间连续演化，遵循学习到的向量场 $\dot{h}(t) = \text{MLP}_\theta([h(t), dY(t), u(t), t])$。这使得模型能够捕捉物理系统固有的连续时间动力学和时间平滑性。
   • 解码器（Decoder）： 一个神经网络，将演化的潜在状态映射回增强的可观测空间，输出对量子比特状态和隐藏耗散参数的估计。
3. 训练与损失： 模型使用由具有 Ohmic Lorentz-Drude 储库的二能级时间无卷积（TCL）主方程生成的模拟数据进行监督训练。总损失函数结合了预测状态轨迹（$L_s$）与参数轨迹（$L_p$）之间的均方误差（MSE），并通过超参数 $\kappa$ 和 $\beta$ 进行加权。采用伴随敏感性方法（adjoint sensitivity method）进行通过 ODE 求解器的内存高效梯度计算。
4. 反馈控制集成： 推断的状态和参数被用于实时反馈控制。作者实现了两种策略：
   • 比例-微分（PD）控制： 根据估计状态与目标状态之间的误差计算控制场。
   • 时变线性二次型调节器（LQR）： 通过求解微分黎卡提方程动态调整反馈增益，以最小化涉及状态偏差和控制能量的代价函数。

核心贡献

• 同步滤波与辨识： AQNODE 能够实现量子比特状态的重建与隐藏的、随时间变化的耗散率的推断，且无需在推理过程中具备显式的物理模型。
• 物理一致性与可解释性： 通过将系统嵌入由 Neural ODE 演化的潜在空间，该框架确保了时间平滑性和物理一致性，并能显式返回具有解释性的参数（$\Delta(t), \gamma(t)$），而非仅仅是黑盒式的轨迹拟合。
• 数据驱动控制： 该框架将学习到的量子滤波与经典控制策略（PD 和 LQR）相结合，证明了从部分数据中准确重建状态足以实时引导耗散量子系统趋向目标态。
• 鲁棒性与泛化能力： 该方法在分布内（WD）和分布外（OOD）场景下均得到了验证，包括环境参数（$\alpha, r$）和系统参数（$M, \omega_0$）发生显著变化的情况，以及初始条件的扰动。

结果
在单驱动比特与非马尔可夫环境相互作用的广泛数值模拟中，AQNODE 的有效性得到了证实：

• 状态与参数估计： 在 WD 场景下，模型在状态分量（$< 10^{-4}$）和参数方面均实现了低均方误差（MSE）。在 OOD 场景下（即参数显著偏离训练分布时），模型仍能保持合理的准确度（状态 MSE $< 10^{-3}$），展示了强大的泛化能力。
• 控制性能： 当用于将量子比特引导至目标态 $|0\rangle$ 的反馈控制时，基于 AQNODE 的控制器（PD 和 LQR）成功稳定了系统。
  • LQR 控制： 在收敛速度、最终状态偏差和保真度（$\geq 0.93$）方面表现出优于 PD 控制的性能，即使在 OOD 条件下也是如此。然而，这种提升的控制性能是以更高的能量消耗为代价的；表 III 显示，在 WD 场景下，LQR 所需的控制能量（例如 5624.1）显著高于 PD 控制（2310.9）。
  • 纯度与相干性： 模型能够准确预测量子纯度和相干性的演化，捕捉由控制场和环境耗散引起的瞬态振荡和稳态行为。
• 对扰动的鲁棒性： 该框架对初始量子态的扰动表现出鲁棒性，模型会随时间修正其预测以与真实值对齐，模拟了量子滤波器的行为。

意义与主张
论文声称 AQNODE 建立了一个可扩展、可微且可能在实验上兼容的框架，用于实时建模和控制耗散量子系统。通过将机器学习与量子力学相结合，这项工作为在无法完全掌握其哈密顿量或噪声模型的环境下控制量子系统提供了解决方案。作者认为，这种数据驱动的范式统一了传统的量子控制技术与机器学习，为量子态估计与稳定化提供了一个可靠工具。他们指出，虽然目前的研究重点是二能级系统，但该框架可以扩展到更高维和更复杂的量子系统，从而可能助力量子纠错和 NIS-Q 时代的模拟。其意义在于能够作为一个“学习型量子观测器”发挥作用，在精确参数分布未知的环境中实现自适应协议。