基于低时间纠缠的大规模量子环境态压力

描述量子系统耦合复杂多体环境的动力学是量子科学中普遍面临的问题。一般非马尔可夫环境由其影响矩阵（IM）特征征——源自系统与环境之间反复相互作用的多时间张量。虽然最通用的IM随演化时间呈指数增长，但近期工作指出，对许多物理多体环境而言，IM的复杂度显著低于预期。这归功于时间纠缠的面积定律，该定律量化了系统过去状态与未来状态之间的相关性。然而，仅限于非相互作用环境或特定一维环境的经典高效算法来计算IM。本文研究了一种用于重构大规模多体环境IM的学习算法，该算法在量子处理器上模拟的大规模多体环境上实现。该混合算法涉及通过辅助量子比特进行实验收集的量子测量结果，这些量子比特反复耦合到多体环境，然后通过经典机器学习构建IM的矩阵产品（MPS）表示。以一维自旋链环境为例，我们使用经典生成的训练数据集，演示该算法允许对长演化时间的IM进行可扩展的重构。重构的IM可用于高效地对通过杂质的量子传输进行建模，包括多个导轨和时变控制的情况。这些结果表明，在假设时间纠缠适中的情况下，使用有限的测量次数即可表征复杂环境的长时间动力学是可行的。