技术摘要：林德布拉德学习中的规范自由度与高效算法

1. 问题陈述

本文研究了从动力学数据中学习 $N$-比特开放量子系统局部林德布拉德（Lindbladian）$\mathcal{L}$ 的逆问题。该林德布拉德在泡利基组（Pauli basis）下展开为：
$$\mathcal{L}[\rho] = -i \sum_{c \in I_h} h_c [P_c, \rho] + \sum_{(a,b) \in I_d} \alpha_{ab} D_{ab}[\rho]$$
其中 $h_c$ 是哈密顿量系数，$\alpha_{ab}$ 是耗散系数（属于正定 Kossakowski 矩阵的元素）。

核心挑战在于存在未知的态制备与测量（SPAM）噪声。与理想化设置（初始态和测量是完美的）不同，实验中的 SPAM 误差可能导致不同的林德布拉德在观测上无法区分。具体而言，一种相似变换（规范变换，gauge transformation）可以同时改变林德布拉德、初始态以及测量算符，使得所有的实验输出概率保持不变。本文旨在：

1. 表征由于这种规范自由度导致的局部林德布拉德中哪些成分在本质上是不可学习的。
2. 识别哪些成分是普遍规范不变（universally gauge-invariant）且可以被高效学习的。
3. 开发仅使用受信任的单比特控制（无需辅助比特或纠缠门）的 SPAM 鲁棒算法。

2. 方法论

2.1 规范变换与不可区分性

作者定义了一族由局部去极化映射 $S_\theta = e^{\Gamma_\theta}$ 生成的规范变换，其中 $\Gamma_\theta$ 对泡利算符 $P$ 的作用为 $\Gamma_\theta[P] = -\theta \cdot s(P) P$。在此变换下，林德布拉德变为 $\mathcal{L} \to S_\theta \circ \mathcal{L} \circ S_\theta^{-1}$。至关重要的是，如果 SPAM 噪声通道也进行相应的变换（吸收该规范），则实验概率 $p(t) = \text{Tr}[M e^{t\mathcal{L}}(\rho_0)]$ 将保持不变。

本文证明，对于任何固定的支撑模式（defining which qubits interact），都存在一个 $N$-参数族这样的变换，使得所有实验数据保持不变。这导致了根据这些变换的行为对林德布拉德成分（哈密顿量系数 $h_c$ 和 $\alpha_{ab}$ 的实部/虚部）进行的分类。

2.2 可学习性的分类

作者将成分分为两类：

• 普遍规范不变（Universally Gauge-Invariant）： 在任何环境空间中的所有可能的生成元下，其值保持不变的成分。
• 泛型规范相关（Generically Gauge-Dependent）： 对于几乎所有的物理林德布拉德（保持完全正性及支撑模式），其值可以通过任意小的规范变换而改变的成分。

分类依赖于泡利基组的结构：

1. 对角耗散系数 ($\alpha_{aa}$)： 普遍规范不变。
2. 第一类非对角系数 ($\text{Re } \alpha_{ab}$)： 如果 $P_a$ 和 $P_b$ 在恰好一个比特上不同，且两者在该比特上均为非单位算符，则为不变。
3. 第二类非对角系数 ($\text{Im } \alpha_{ab}$ 及单比特 $h_c$)： 如果 $P_a$ 和 $P_b$ 在恰好一个比特上不同，且其中一个在该比特上为单位算符（或若 $h_c$ 对应单比特泡利算符），则为不变。

其他成分被证明是泛型规范相关的。对于这些相关成分，作者构造了特定的林德布拉德，即使在完全正性约束下，其不确定度仍为 $\Omega(1)$（与系统尺寸 $N$ 无关）。

2.3 学习算法

本文提出了仅使用受信任的单比特操作来学习普遍规范不变成分的高效方案。核心技术涉及泡利平均（Pauli twirling）（或部分平均）以隔离特定动力学并抵消 SPAM 因子。

• 对角与第一类成分：

  • 方法： 全泡利平均将动力学转化为指数衰减曲线。SPAM 噪声仅以乘性预因子 ($s_Q m_Q$) 出现在信号 $f(t) = s_Q m_Q e^{t \ell}$ 中。通过取 $t=0$ 与 $t=\tau$ 时刻信号的比值，未知的 SPAM 因子会精确抵消，从而提取衰减率 $\ell$。
  • 重构： 局部衰减率通过基于支撑包含顺序的可解线性系统与系数联系起来。
  • 复杂度： $O(\epsilon^{-2} \log(N/\delta))$ 次实验和总演化时间。

• 第二类成分：

  • 方法： 由于这些成分不能简化为简单的衰减率，作者使用部分平均（在特定比特上对子群 $\{I, Z\}$ 进行平均）将动力学隔离到海森堡绘景中的二维不变子空间。
  • 重构： 该子空间中的动力学由一个 $2 \times 2$ 矩阵控制，目标参数（如 $h_z$ 或 $\text{Im } \alpha_{xy}$）出现在反对称耦合项中。通过测量演化矩阵的非对角元素并在 $t=0$ 处求导，即可提取参数。SPAM 预因子同样在导数与零时信号的比值中抵消。
  • 微分： 使用切比雪夫多项式插值在采样时间点上估计导数，以实现高精度。
  • 复杂度： $O(\epsilon^{-2} \log^4(2/\epsilon) \log(N/\delta))$ 次实验和总演化时间。

2.4 边界诱导的规范不变性

本文研究了完全正性（CPTP）的要求是否限制了物理集“边界”处的规范自由度（例如，当 Kossakowski 矩阵具有零特征值时）。作者推导了在特定物理林德布拉德处，某些哈密顿量系数变为规范不变的充分条件。然而，他们指出，学习这些边界特定不变性的问题通常仍是一个开放问题。

3. 关键结果

1. 阻碍机制的精确表征： 本文对局部林德布拉德成分进行了完整的分类，将其分为普遍规范不变集和泛型规范相关集。文中证明，对于泛型相关集，存在物理林德布拉德使得其不确定度为 $\Omega(1)$，且该不确定度与系统规模 $N$ 无关，即使拥有无限数据。
2. 高效的 SPAM 鲁棒协议：
   • 定理 2： 存在协议可以学习所有普遍规范不变成分（对角 $\alpha_{aa}$、第一类 $\text{Re } \alpha_{ab}$、第二类 $\text{Im } \alpha_{ab}$ 以及单比特 $h_c$），其加性误差为 $\epsilon$，失败概率为 $\delta$。
   • 资源缩放： 协议所需的实验次数和总演化时间为 $O(\epsilon^{-2} \log(N/\delta))$ 到 $O(\epsilon^{-2} \log^4(2/\epsilon) \log(N/\delta))$。单比特门计数随 $N$ 呈线性缩放（最高为多项式对数级）。
   • 假设： 算法仅需要受信任的单比特门，无需辅助比特，也不需要纠缠控制。它们可以容忍全局而言远离理想状态的 SPAM 噪声，只要对于常数规模的子集存在非零的局部可见度 ($r_p, r_m > 0$)。
3. 边界条件： 定理 31 和 32 提供了额外的哈密顿量系数在物理集边界处具有规范不变性的充分条件，将其与“哈密顿量不在林德布拉德跨度内”的条件联系起来。

4. 意义与主张

作者声称这项工作为在存在现实 SPAM 噪声的情况下，实现可扩展的开放量子系统表征提供了一个实用的工具包。

• 可扩展性： 不同于以往需要全过程断层扫描（指数级缩放）或假设理想/已知 SPAM 的方法，本框架在实验次数和演化时间上实现了对系统规模 $N$ 的对数级缩放。
• 最小控制： 仅依赖受信任的单比特操作，使得这些协议适用于当前的硬件（如离子阱），在这些硬件中，纠缠门难以校准或缺乏辅助比特。
• 基本极限： 通过严格表征林德布拉德中“不可学习”的部分，本文设定了在未知 SPAM 下学习任务的基本误差底限，区分了由于数据匮乏导致的限制与由于基本不可区分性导致的限制。
• 规范感知框架： 这项工作不仅是简单地忽略 SPAM 或假设其已知，而是显式地建模了规范自由度，分类了哪些是可学习的，并提供了能够抵消不可学习自由度的算法。

文章总结道，虽然边界诱导的不变量提供了学习额外参数的潜力，但学习这些参数的一般问题仍是一个开放课题。本文的主要贡献在于完整解决了普遍规范不变子集的学习问题，这涵盖了局部开放系统中大部分具有物理意义的参数。