基于深度学习的时依赖哈密顿量单位算子插值
量子物理
2026-01-21 v1
摘要
由时依赖哈密顿量支配的量子系统对于准确计算单位时间演化算子提出了重大挑战，这些算子是预测量子态动力学的关键。在本工作中，我们引入一种基于物理信息神经网络的深度学习方法，用于估计这些在整个时间域上的算子。通过纳入物理约束如单位性，并利用演化算子第二阶 Magnus 展开，所提出的框架能够在不同的时间间隔上估计单位矩阵。该模型使用模拟的单位算子进行训练，并在来自 2 到 6 个量子比特的量子系统上进行评估。对于更大的 many-body 系统，具体是 7 和 8 个量子比特，同样采用该方法来重构有效时依赖哈密顿量，从而在整个时间域上计算相应的时间演化算子。该框架在有限的单位样本数下实现超过 0.92 的保真度，表明有潜在的测量和数据获取成本降低。这些结果突显了该方法对于数据驱动的量子动力学系统仿真和识别具有直接相关性，尤其是量子计算和量子仿真应用。
引用
@article{arxiv.2601.12619,
title = {Interpolation of unitaries with time-dependent Hamiltonians via Deep Learning},
author = {Antonio Guerra and Daniel Uzcategui-Contreras and Aldo Delgado and Esteban S. Gómez},
journal= {arXiv preprint arXiv:2601.12619},
year = {2026}
}