⚛️ 量子物理

PINNverse meets Jordan--Wigner: learning the Hamiltonian of long spin chains

本文证明了通过将 Jordan-Wigner 变换应用于逆物理信息神经网络（PINNverse），可以消除学习量子哈密顿量时的指数级缩放问题，从而仅利用局部可观测物理量和 $N^2$ 个网络输出，即可实现对高达 50 个量子比特的自旋链参数的精确恢复。

原作者： Gubio G De Lima

发布于 2026-11-11

📖 1 分钟阅读🧠 深度阅读

CC0 1.0

原作者： Gubio G De Lima

原始论文根据 CC0 1.0（http://creativecommons.org/publicdomain/zero/1.0/）发布到公有领域。 ✨ 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

在构建更强大的量子计算机的过程中，科学家们面临着一个根本性的难题：如何确切地知道一台机器正在做什么。量子计算机由被称为“量子比特”（qubits）的微小单元组成，这些单元可以同时存在于多种状态中。为了让这些机器正常工作，工程师必须对其进行极其精确的校准，确保连接量子比特的力量完全符合预期。问题在于，随着你增加的量子比特数量增多，需要测量的参数数量也会呈爆炸式增长，以至于很快就会变得无法全部检查。传统方法需要如此多的不同测量设置，对于一台仅有二十个量子比特的机器，完成这项任务所需的时间将比宇宙的年龄还要长。这一瓶颈长期以来阻碍了量子技术的规模化扩展，使得研究人员面对的是一个无法完全理解或控制的设备。

一组物理学家发现了一种方法，可以为一种特定且常见的量子机器绕过这个不可能逾越的障碍。他们开发了一种新方法，利用智能计算机程序来学习一条长链量子比特（即使该链包含五十个单元）的隐藏设置。这一突破依赖于一个巧妙的数学技巧，它改变了看待问题的方式。研究人员意识到，与其试图追踪整个链条中所有可能的单一状态（这是一个呈指数级增长的噩梦），不如使用一组更小、更易处理的数字来描述系统的行为。通过将量子比特视为沿着直线移动的粒子流，他们将问题的复杂程度从某种会爆炸式增长的状态，降低到了某种缓慢且稳定增长的状态。这使得他们能够使用神经网络——一种旨在发现数据模式的人工智能——来求解系统的运动方程，进而反向推导出量子比特之间连接强度的确切数值。

研究人员使用合成数据（即模拟真实实验产生的计算机生成信息）对他们的方法进行了测试。他们模拟了具有不同连接强度和局部频率的量子比特链，其中包含了经常困扰真实硬件的小型、不必要的相互作用。神经网络经过训练，可以根据在不同时刻进行的几次简单测量，来预测系统随时间演化的行为。令人瞩精的是，该网络不仅学会了预测链条的未来行为，还成功识别出了支配它的底层参数。对于长达五十个量子比特的链条，该方法恢复连接强度的精度达到了百分之零点一以内。无论链条有多长，这种高水平的精度仅使用了五个全局测量设置，而对于同样规模的链条，旧方法则需要数百万甚至数十亿个设置。

这项工作的最显著特征之一是它如何处理量子硬件的复杂现实。真实的设备从不是完美的；它们会遭受“串扰”（crosstalk）的影响，即一个量子比特会在无意中以一种非程序设定的方式影响其相邻的量子比特。研究人员在模型中引入了一种称为“随时间变化的哈特里-福克闭合”（time-dependent Hartree–Fock closure）的技术。简单来说，这是一种近似处理这些不期望的相互作用如何影响系统的方法，而无需计算每一个细节，否则计算速度会过慢。事实证明，该方法足够鲁棒，能够检测并量化这些寄生耦合，即使在这些耦合非常微弱的情况下也能高精度地识别它们。这至关重要，因为了解误差的确切性质是修复它们的第一步。

研究还揭示了随着链条变长而出现的一个微妙挑战。虽然该方法可以极高精度地确定相邻量子比特之间的连接强度，但量子比特自身的局部频率会在链条长度方向上积累微小的误差。为了解决这个问题，研究人员将他们的神经网络与传统的统计拟合技术相结合。神经网络提供了一个高度精确的起点，而传统方法则对结果进行了精细化处理，消除了累积的误差。这种混合方法使得他们能够恢复具有高达五十个量子比特的链条参数，其误差低至百分之零点七，即使在数据包含现实水平的噪声时也是如此。

这项工作证明，对于大型量子设备，无需指数级的海量数据即可学习其“哈密顿量”（Hamiltonian，即系统的能量与相互作用的数学描述）。该方法并非解决所有量子问题的“魔杖”；它是专门为那些量子比特主要与紧邻邻居发生相互作用的链条设计的。然而，对于目前在构建实用量子计算机竞赛中处于领先地位的超导电路而言，这一限制并非障碍，而是一种特性。这些设备天然地形成了交换耦合的量子比特链，使得这项新技术可以直接应用于当今正在制造的硬件。通过将一个不可能完成的测量问题转化为一个可解的学习任务，研究人员为下一代量子模拟器的校准提供了一个强大的工具，使我们离真正能够驾驭量子力学力量的机器又近了一步。

技术摘要：当 PINNverse 遇见 Jordan–Wigner：学习长自旋链的哈密顿量

问题陈述
从测量的期望值中确定量子器件的哈密顿量是校准量子硬件和模拟量子系统的关键任务。传统方法（如过程断层扫描）所需的测量设置数量随量子比特数 ( $N$ ) 指数级增长。虽然物理信息神经网络（PINNverse）已被应用于通过学习微分方程中未知的系数来解决逆问题，但标准形式面临着根本性的可扩展性障碍。在这些方法中，神经网络必须表示完整的量子态（密度矩阵 $\rho$ ）或完整的泡利期望值集合，这两者都随 $4^N$ 比例缩放。对于 $N=20$ ，这需要大约 $10^{12}$ 个输出，使得该方法对于大型寄存器而言变得难以实现。现有的策略（例如通过学习成对量子比特来规避问题的“冻结”机制）虽然规避了这一问题，但需要大量的独立实验和额外的控制，无法以多项式缩放规模同时学习整个链。

方法论
本研究提出了一种针对具有最近邻交换相互作用的一维自旋链对 PINNverse 的重新表述，利用 Jordan–Wigner (JW) 变换消除了指数级缩放。

Jordan–Wigner 映射： 将自旋-1/2 链映射为一个无自旋费米子系统。对于纵向场中的非均匀 XX 链（目标模型），哈密顿量在费米子算符下变为二次型。因此，海森堡运动方程精确地闭合在 $N \times N$ 的一体密度矩阵 $\rho^{(1)}(t)$ 上，而非完整的 $2^N \times 2^N$ 密度矩阵。
神经网络架构： 神经网络不再输出 $4^N - 1$ 个泡利期望值，而是以时间 $t$ 作为输入，并输出 $\rho^{(1)}_{NN}(t)$ 的 $N^2$ 个实数项。网络构建时确保精确满足初始条件（硬约束），并输出一个厄米矩阵。
损失函数： 训练损失结合了数据项和物理项：
- 数据项 ( $L_{data}$ ): 将预测的局部可观测量（磁化强度 $\langle \sigma^z_j \rangle$ 和最近邻相关性/电流）与测量数据进行比较。至关重要的是，这些可观测量可以通过仅有的五个全局测量设置（与 $N$ 无关）获得，而重建所有泡利值则需要 $3^N$ 个设置。
- 物理项 ( $L_{Physics}$ ): 强制执行运动方程。对于 XX 链，这是关于一体系矩阵的 Liouville–von Neumann 方程： $d\rho^{(1)}/dt = -i[K, \rho^{(1)}]$ ，其中 $K$ 是包含未知耦合 $J_j$ 和场 $h_j$ 的单粒子哈密顿量矩阵。
处理串扰 (ZZ 耦合)： 为了解决超导量子比特中常见的残余 ZZ 相互作用（寄生耦合），作者引入了随时间变化的平均场理论 (TDHF) 闭合。该方法将四阶相互作用项近似为二次项，从而得到非线性运动方程，其误差在弱串扰 $\Delta$ 下按 $O(\Delta^2)$ 缩放。
优化策略： 逆问题分两阶段求解。首先，使用 Adam 优化器训练网络和参数。其次，使用 L-BFGS 拟牛顿法在密集网格上精细化解。为了减轻长链中的误差累积，网络的输出作为直接最小二乘拟合的高质量初始猜测，从而消除了局部频率中累积的偏差。

核心贡献

多项式缩放重构： 本文证明了对于最近邻交换链，通过将 PINNverse 的指数成本降低为多项式缩放（ $N^2$ 网络输出），可以在不进行近似的情况下实现 XX 模型的处理。
极简测量协议： 确定了一组极简的局部可观测量（磁化强度和自旋电流），使得对于任何链长 $N$ ，仅需五个全局测量设置即可识别所有的跳跃振幅和场差。
串扰检测： 开发了 TDHF 扩展以处理 ZZ 串扰，从而能够同时学习交换耦合、局部场和寄生 ZZ 强度。
可扩展性演示： 该方法成功学习了高达 $N=50$ 量子比特链的哈密顿量参数，这一领域远超以往 PINNverse 形式的可达范围。

结果
使用由精确自旋动力学生成的合成数据：

正向问题： 网络准确求解了一体系密度矩阵的运动方程，其与参考解的最大偏差根据 $N$ 及是否存在串扰，处于 $10^{-4}$ 到 $10^{-7}$ 的数量级。
逆问题 (XX 链)： 对于无噪声数据，网络回收交换耦合 ( $J_j$ ) 的平均绝对百分比误差 (MAPE) 在 $N=50$ 的链中低于 0.1%。局部场差 ( $h_j - h_1$ ) 被高精度地学习，尽管绝对场值在长链中会积累微小误差。
噪声鲁棒性： 在存在测量噪声 ( $\sigma=0.01$ ) 的情况下，网络保持了与直接最小二乘拟合相当的准确度。
混合方法： 采用“PINN + 拟合”策略，即利用网络估计值初始化直接拟合，消除了长链中累积的频率误差。对于带有噪声的 $N=50$ 情况，该混合方法实现的耦合 MAPE 为 0.047%，场 MAPE 为 0.71%。
串扰检测： 该方法成功检测并量化了 $N=8$ 链中的 ZZ 耦合 ( $\Delta_j$ )，其中 TDHF 模型比忽略串扰的模型表现出显著更低的失配误差。

意义与主张
作者声称，这项工作提供了第一个能够以网络输出随 $N$ 多项式增长的方式，同时学习整个自旋链的 PINNverse 形式。通过利用通过 Jordan–Wigner 变换实现的一体系密度矩阵动力学的精确闭合，该方法克服了限制以往物理信息学习仅限于小规模系统（通常 $N \le 10$ ）的指数壁垒。

论文强调，这种方法不仅是一个学术练习，而且可以直接应用于天然实现非均匀 XX 模型的超导跨子 (transmon) 量子比特链。利用仅有的五个全局测量设置来校准参数并检测串扰的能力，为表征大规模模拟量子器提供了一条切实可行的路径。作者谦虚地指出，虽然该方法对于 XX 模型是精确的，但向各向异性 XY 链（需要 Majorana 对易矩阵）和开放系统（Lindblad 动力学）的扩展是自然的下一步，而通用的二体哈密顿量仍超出了本文的具体讨论范围。

技术摘要：当 PINNverse 遇见 Jordan–Wigner：学习长自旋链的哈密顿量

类似论文