量子模型学习智能体：通过机器学习表征量子系统

真实量子系统的精确模型对于研究其行为十分重要，但从经验中提取却很困难。在此，我们报告一种算法——量子模型学习智能体（QMLA）——用于逆向推导目标系统的哈密顿量描述。我们在若干模拟实验上测试了 QMLA 的性能，展示了用于设计候选哈密顿量模型的几种机制，并同时考量关于所研究系统物理相互作用本质的众多假设。结果表明，在提供有限先验信息及实验装置控制的情况下，QMLA 在多数情况下能识别真实模型。我们的协议可并行探索 Ising、Heisenberg 和 Hubbard 模型族，可靠地识别最能描述系统动力学的族。我们通过引入遗传算法来构建新的假设模型，展示了 QMLA 在大型模型空间上的运行。其特征传递到下一代的模型选择基于受 Elo 评级方案启发的目标函数，该方案通常用于国际象棋和足球等游戏中的竞争者评级。在所有实例中，与真实模型相比，我们的协议找到了 $F_1$-score $\geq 0.88$ 的模型，并在 72% 的案例中精确识别真实模型，同时探索了超过 $250,000$ 个潜在模型的空间。通过测试目标系统中实际发生的相互作用，QMLA 既是探索基础物理的可行工具，也是量子器件表征与校准的可行工具。