基于物理信息神经网络的量子噪声层析成像
量子物理
2025-09-16 v1 机器学习
计算物理
摘要
表征量子系统与环境的相互作用是开发鲁棒量子技术的关键瓶颈。传统层析成像方法通常数据密集且难以扩展。在本工作中，我们引入了一种利用物理信息神经网络（PINNs）进行Lindblad层析成像的新框架。通过将Lindblad主方程直接嵌入神经网络的损失函数，我们的方法同时学习量子态的演化并从稀疏的时间序列测量数据中推断底层耗散参数。我们的结果表明，PINNs能够重构系统动力学以及未知噪声参数的功能形式，为量子器件表征提供了一种样本高效且可扩展的解决方案。最终，我们的方法通过学习其控制主方程，产生了一个完全可微分的含噪量子系统数字孪生。
引用
@article{arxiv.2509.11911,
title = {Quantum Noise Tomography with Physics-Informed Neural Networks},
author = {Antonin Sulc},
journal= {arXiv preprint arXiv:2509.11911},
year = {2025}
}
备注
6 pages, 3 figures, Machine Learning and the Physical Sciences Workshop at the 39th conference on Neural Information Processing Systems (NeurIPS)