技术摘要：在宇称超选规则下的局部费米子林德布拉德算符学习

1. 问题陈述

本文研究了学习具有宇称协变性、$k$-模局部的（时间无关的）费米子林德布拉德算符（Markovian 开量子动力学的生成元）所面临的挑战。该学习任务受限于宇称超选（parity superselection），这是一个基本的物理原理，指出奇宇称 Majorana 可观测量无法被直接测量；只有偶宇称算符（即与总费米子宇称对易的算符）在物理上是可访问的。

主要难点包括：

• 测量约束： 物理态和测量必须是偶宇称的。由于缺乏外部宇称参考，用于完全表征费米子动力学的奇宇称探测器是无法获取的。
• 局域性与比特映射： 虽然费米子算符在模（mode）层面是局部的，但在标准的 Jordan–Wigner 变换下，它们可能会映射为长程非局部的比特字符串，这使得为学习算法定义“局域性”变得复杂。
• 可扩展性： 标准的量子过程层析（Quantum Process Tomography）其复杂度随模数呈指数级增长。目标是实现对于局部生成元而言，样本复杂度随系统规模 $m$ 呈多项式级（具体为近线性或对数多项式级）缩放。
• 未知结构： 学习协议必须在不对非零系数的具体位置或底层相互作用图进行先验知识的情况下运行，仅依赖于对相互作用强度和局域性的界限。注：几何学习场景明确假设了一个已知的有界度模图以定义允许的支持集，而结构学习场景则通过使用辅助模来处理未知的图。

2. 方法论

所提出的框架结合了宇称着色（parity dressing）、内部标记校准（internal marker calibration）以及带符号 Fierz 逆转（signed Fierz inversion），通过短时演化数据恢复规范的生成元系数。

2.1 宇称着色与内部标记

为了规避无法测量奇宇称可观测量的问题，作者采用了“宇称着色”技术：

• 着色（Dressing）： 通过将一个奇数项 Majorana 单项式 $\Gamma_A$ 与一个不相交的 Majorana 标记 $\eta$ 相乘（即 $i\Gamma_A\eta$），将其转化为一个偶宇称厄米可观测量。
• 内部标记： 不同于需要外部辅助模的方案，该方法使用内部标记（系统内部特定的 Majorana 模），这些标记在空间上与目标区域分离。
• 校准： 这些内部标记的动力学受到系统 Lindbladian 的影响。通过测量三个分离标记（$\eta_1, \eta_2, \eta_3$）之间的对响应斜率，协议可以校准标记的动力学贡献。这使得提取目标可观测量的“裸”导数成为可能，从而修正了标记自身的演化。

2.2 带符号 Fierz 逆转

一旦估计出着色转移导数（偶宇称转移曲线的初始时间导数），作者便利用带符号 Fierz 逆转来恢复规范系数：

• **完备性： Majorana 基底的完备性是逆转的基础。
• 受限逆转： 对于支持在区域 $R$ 上的目标系数，算法仅使用标签支持在 $R$ 上的导数。
• 降序递归： 受限着色系数与全局规范系数之间的关系是三角型的。算法通过从较大的支持集大小（$k$）向较小的支持集大小（$0$）进行降序递归来恢复系数，在每一步中减去来自较大支持集（对角扩展）的贡献。该递归是稳定的，误差传播由局域性参数$k$ 控制。

2.3 实验协议

学习协议利用偶宇称短时实验：

• 制备： 使用局域费米子高斯控制、随机占据态制备和配对旋转来制备偶宇称态。
• 演化： 系统在未加中间控制的情况下，在未知的 Lindbladian 下演化一段预设的短时间 $t \le (4k\bar{\alpha})^{-1}$。
• 测量： 测量偶宇称可观测量。
• 对块阴影（Pair-Block Shadows）： 为了从单个数据集中估计许多输入-输出重叠，作者使用了“对块过程阴影”技术。将模分组成块，并对每个块应用随机的偶宇称设置。这允许同时估计多个转移曲线，从而显著降低样本复杂度。

3. 关键结果

论文为两种不同的场景提供了严格的学习保证：

3.1 几何学习（已知图，无外部模）

假设存在一个已知的有界度模图且相互作用范围有限 $r$：

• 样本复杂度： 为了实现所有规范系数的条目级误差 $\varepsilon$，协议需要 $\tilde{\mathcal{O}}(\bar{\alpha}^2 \varepsilon^{-2} \log(m/\delta))$ 个样本。
• 钻石范数（Diamond-Norm）恢复： 若要返回一个满足钻石范数误差为 $\varepsilon$ 的有效物理生成元，成本增加一个 $m^2$ 因子，即 $\tilde{\mathcal{O}}(\bar{\alpha}^2 m^2 \varepsilon^{-2} \log(m/\delta))$。
• 支持集恢复： 如果在零与非零系数之间存在间隙，阈值化方法可以实现精确的支持集恢复。
• 下界： 论文建立了一个结论，即钻石范数恢复的 $m^2$ 缩放比例与新系统中短时实验的已知下界一致（在对数和几何因子范围内）。
• 注： 虽然已知图确定了允许的支持集，但协议并不要求预先知道非零系数的具体位置或局域分解。

3.2 结构学习（未知图，含辅助模）

当相互作用图未知时，协议允许每个系统模配备一个空闲的辅助模，并可能进行非局域对操作：

• 近似度数： 该方法假设存在一个“近似系数度数”界限 $d$（在丢弃微小尾部后，任何单个模最多涉及 $d$ 个系数）。
• 样本复杂度： 协议使用 $\tilde{\mathcal{O}}_k(d^2 m^{\lfloor k/2 \rfloor} \varepsilon^{-2} \log(m/\delta))$ 个样本来实现局部误差 $\varepsilon$。
• 输出： 估计的系数具有受限为 $\varepsilon$ 的局部误差，并且每个模最多涉及 $\mathcal{O}_k(d)$ 个非零项。随后的凸拟合可以返回一个具有类似误差的有效生成元。

3.3 扩展

• 指数衰减尾部： 该框架可扩展到具有指数衰减相互作用的模型，仅在样本复杂度上产生对数多项式级的额外开销。
• 预测： 对于几何模型，在固定时间与精度下，可以用对数系统规模的样本复杂度来预测固定支持集的偶宇称可观测量。

4. 重要性与主张

作者声称建立了首个通用的、可扩展的方案，用于学习相互作用的局部费米子 Lindbladian，并同时满足以下标准：

1. 宇称兼容性： 它仅使用偶宇称制备和测量来尊重宇称超选规则，无需外部宇称参考。
2. 局域性保持： 它保持了费米子局域性（模支持），而不是依赖于比特字符串局域性。
3. 不间断演化： 它在演化过程中无需交替施加控制，依赖于短时数据。
4. 标准量子极限缩放： 它在系数学习方面实现了标准量子极限的样本缩放（$\varepsilon^{-2}$）。

这项工作弥合了理论学习界限与费米子系统（如 Fermi-Hubbard 模型）物理约束之间的鸿沟，证明了仅通过局部偶宇称操作和短时演化即可实现完整的动力学表征。对于宇称约束是内在属性的平台（如超冷原子和超导电路）而言，这些结果具有重要意义。

论文明确指出，此前的工作尚未建立这种结合了局部偶宇称访问、不间断短时演化以及针对相互作用费米子系统最优样本缩放的方法。该方法借鉴了连续自由费米子势学习的技术，并通过内部标记校准和带符号逆转将其扩展到了相互作用的 Lindbladian 系统。