通过逆物理信息神经网络进行哈密顿量学习

哈密顿量学习（HL），实现对系统参数和底层动力学的精确估计，在量子系统表征中扮演关键角色。然而，传统HL方法在噪声鲁棒性和资源效率方面面临挑战，尤其是在测量受限的情况下。在本工作中，我们提出用于哈密顿量学习的逆物理信息神经网络（iPINN-HL），一种将薛定谔方程作为软约束通过损失函数惩罚引入机器学习过程的方法。该公式允许模型同时整合观测数据和已知物理定律，以更高的精度和资源效率推断哈密顿量参数。我们将iPINN-HL与基于深度神经网络的量子态层析方法（记为DNN-HL）进行基准测试，并在多种不同场景下验证其有效性，包括一维自旋链、交叉共振门校准、串扰识别和参数漂移的实时补偿。结果表明iPINN-HL可逼近海森堡极限，对噪声具有鲁棒性，且在精度和资源效率方面优于DNN-HL。因此，iPINN-HL是量子系统实际任务表征的强大且灵活的框架。