基于悖论神经网络的开放量子系统无方程发现

在含噪中等规模量子（NISQ）设备上建模开放量子系统的动力学构成重大挑战，因为高噪声水平和环境退化导致纯量子态衰减（退相干）和能量损失。这种情况代表了量子信息技术领域最重要的问题之一。虽然现有的数据驱动方法难以泛化到训练数据之外（外推），物理信息神经网络（PINN）需要预定义的控制方程，这限制了其在底层物理不完整或未知时的发现能力。在本工作中，我们提出了ParaQNN（ParaQuantum神经网络）架构，一种用于物理发现的无方程框架。ParaQNN通过采用双真逻辑层，将相干信号和退相干噪声建模为独立但相互作用的通道，从而在不依赖先验定律的情况下解开多尺度动力学。通过对Rabi振荡、Lindblad动力学以及特别是弛豫和退相过程竞争的复杂“混合区域”进行广泛基准测试，我们表明ParaQNN与具有不完整物理信息的随机森林、XGBoost和PINN模型相比，表现出持续的性能优势。与竞争对手不同，ParaQNN通过从噪声测量中“发现”底层结构不变量，即使在训练数据不可用的外推区域，也能高精度地维持振荡和阻尼动力学。这些结果表明，在数学方程证明不足的情况下，悖论逻辑为学习量子行为提供了比经典方法更结构稳定的认识论基础。