基于人工智能的耗散量子动力学代理求解：通用传播子的物理信息重建

精确（甚至近似）求解支配耗散量子系统动力学的方程仍然是量子科学的一项挑战性任务。虽然已有多种算法被设计出来以不同灵活度求解这些方程，但它们主要依赖于高度昂贵的迭代方案。最近，深度神经网络已被用于量子动力学，但当前的架构高度依赖于特定系统的物理特性，并且通常局限于布居数动力学。本文介绍了一种基于人工智能的代理模型，该模型通过将量子传播子参数化为傅里叶神经算子来求解耗散量子动力学，我们使用数据集和物理信息损失函数对其进行训练。与传统算法相比，我们的量子神经传播子避免了耗时的迭代，并提供了一个通用的超算子，可用于演化任意初始量子态任意长时间。为了说明该方法的广泛适用性，我们使用量子神经传播子计算了Fenna-Matthews-Olson复合体的布居数动力学和时间关联函数。