A Unified Quantum Neural Network Framework for Hamiltonian Learning and Emulation of Unknown Quantum Systems
本文提出了一种统一的量子神经网络框架，该框架通过将控制输入映射到哈密顿量系数并利用全密度矩阵轨迹，来学习未知的量子系统，从而实现精确的系统识别、鲁棒的仿真以及用于量子数字孪生应用的物理电路参数推导。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在量子技术领域，科学家们正在制造运行在微观世界奇特规则之上的机器，在那个世界里，粒子可以同时存在于多种状态中，并能跨越距离相互影响。为了让这些机器正常工作，研究人员必须理解驱动它们的无形力量。每一个量子系统都受控于一个被称为“哈密顿量”（Hamiltonian）的数学蓝图，它就像一套指令集，告诉系统如何随时间变化和演化。如果你能完美掌握这个蓝图，你就能精确地预测系统的行为、校准其部件并控制其动作。然而，在许多现实场景中，系统是一个“黑盒”：你可以看到输入和输出，但内部指令仍然隐藏其中。如果不知道哈密顿量，构建可靠的量子计算机或传感器就会变成一场猜谜游戏。挑战在于，仅通过观察系统如何移动和变化来推导出这些隐藏的指令，这是一项极其困难的任务，因为量子系统非常脆弱，其行为极易受到干扰。
一位研究人员开发了一种新方法来解决这个问题，即使用一种被称为“量子神经网络”的类人工智能来学习未知系统的隐藏指令。该方法并非试图猜测实验结束后的最终状态，而是观察系统生命中的整个“电影”，即逐时刻观察其演化过程。他们创建了一个庞大的虚拟量子系统库，每个系统都具有不同的、随机生成的内部规则，并模拟了它们随时间变化的各种行为。随后，他们将来自这些模拟的数据输入到神经网络中，教导它观察发送给系统的控制信号以及系统状态产生的变化，然后反向推导，从而得出原始的隐藏规则。该网络学会了将输入直接映射到定义该系统的三十二个不同数值上，有效地从观察到的行为中逆向工程出了蓝图。
为了使这一学习过程更加高效，研究人员在训练数据中引入了两种特定的技巧。首先，他们改变了量子系统的初始条件，确保网络能看到系统从许多不同的位置开始，而不仅仅是单一路径。这防止了网络仅仅通过死记硬背单一路径来应对，而是迫使它学习支配所有可能运动的底层规则。其次，他们应用了一种特殊的信号，这种信号会缓慢地扫过不同的频率，就像音乐家在吉他弦上滑动手指以触及音阶中的每一个音符一样。这种被称为“啁啾”（chirp）的扫频信号能以复杂的方式激发系统，比恒定的常数信号能揭示更多关于其内部结构的细节。通过将这些技术与观察系统演化全过程的方法相结合，神经网络在识别正确的隐藏规则方面变得更加出色。
计算机模拟的结果令人瞩目。当研究人员在简单的单粒子场景下测试该系统时，利用变化的初始条件，网络重建正确初始状态的能力显著提升，达到了被称为 0.929 的保真度（fidelity）。对于一个具有许多相互作用部分的更复杂的完全未知系统，准确度有所下降，但依然相当可观，达到了 0.787。研究发现，虽然扫频信号有助于计算机更快地学习并减少训练过程中的误差，但改变起始点策略才是真正提升重建系统最终质量的关键。研究人员还使用名为“迹距离”（trace distance）的标准度量指标测量了重建系统与真实系统之间的差异，发现改变起始点将简单情况下的差异降低到了 0.124，而在复杂的未知系统中降低到了 0.316。
这项工作的最重要部分不仅在于识别这些数字，还在于将这些数字转化为物理设计。一旦神经网络成功学习了隐藏的哈密顿量，研究人员就将那些抽象的系数转化为一个真实的、可制造的电子电路的具体规格。他们将学习到的规则映射到一个由两个超导环路（称为转导量子比特，transmons）通过一根共享导线连接的设计上。这一过程得出了物理组件的具体且现实的数值：两个环路的电容总值约为 77.3 飞法（femtofarads），连接导线的长度约为 15.12 毫米，且两个环路之间的距离为 7.59 毫米。结果表明，这个具有特定频率和连接强度的电路能够以高保真度模拟原始未知系统的行为。
这项工作展示了从观察一个神秘的量子系统到构建一个行为完全相同的物理孪生体的完整路径。研究人员证明，通过观察系统运动的全过程并使用智能训练技术，人工智能可以揭示支配它的隐藏自然法则。虽然随着系统变得更加复杂以及隐藏变量数量的增加，重建的准确度自然会下降，但该方法证明了从“黑盒”走向一个被充分理解且在物理上可实现的设备是完全可能的。这种方法为量子技术的未来提供了一个强大的新工具，使科学家能够在不需要预先了解内部秘密的情况下，识别、理解并复制复杂的量子机器。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。