基于 Floquet 信息的周期驱动哈姆顿量学习

表征时间周期哈姆顿量对于验证和控制驱动量子平台至关重要，但现有的重建方法需要稠密的时间域采样和大量后处理。我们引入一种可扩展的 Floquet 信息学习算法，将哈姆顿量表示为截断傈氏级数，并将参数估计在 Floquet 能带图中转化为一个紧凑的线性逆问题。该算法适用于满足轻度光滑/带限条件的问题。在此 regime 下，其样本和运行复杂度随傈氏截断、时间分辨率以及未知系数的数量多项式缩放。对于局部哈姆顿模型，系数的增长随系统大小呈多项式增长，从而导致对希伯德空间维数的依赖最多为对数多项式。此外，针对一维和二维 Ising 及 Heisenberg 晶格的数值实验表明，算法快速收敛于时间分辨率，并对更高阶扰动具有鲁棒性。一种自适应规则学习傈氏级数的截断值，无需预先设置已知的截断。这些特征使实际对周期驱动平台进行快速衰减的更高阶内容具有可行性，并自然扩展到近周期驱动。