用于非马尔可夫开放量子动力学与控制的分叉物理信息神经网络

物理信息神经网络（PINN）为量子系统的模拟和控制提供了一条重新统一的途径，而在传统策略中，这两项任务通常是解耦的。然而，大多数工作仍然局限于马尔可夫环境。当应用于非马尔可夫系统时，标准的 PINN 架构由于耦合微分方程引起的多目标优化冲突而无法可靠收敛。为了解决这一基本限制，我们通过引入一个专门的控制分支来扩展我们之前提出的分叉 PINN（FPINN）。通过在梯度层面通过选择性梯度流解耦优化目标，我们的方法将以前难以处理的多任务优化转化为一个良态的问题，从而允许模拟和控制联合优化而不妥协。在双量子比特 Heisenberg XXX 模型上的数值模拟证实，我们的框架忠实地再现了非马尔可夫动力学的特征，包括退相干和信息回流。以同一模型上的态制备任务为例，我们的 FPINN 实现了比梯度上升脉冲工程、斩波随机基和标准 PINN 更高的保真度，并且随着环境变得更加耗散和更加马尔可夫，这一优势变得更加明显。生成的脉冲也明显更平滑，这对实验实现是有利的。因此，我们的框架为开放量子系统的模拟和控制提供了一个统一的、端到端可微的范式，对量子计算、模拟和控制具有潜在的影响。