用于预测开放量子系统动力学与检测非马尔可夫记忆效应的监督机器学习

我们提出了一种新颖且可扩展的监督机器学习框架，仅利用局域辅助量子比特测量来预测开放量子系统动力学并检测非马尔可夫记忆。一个系统量子比特通过对称 XY 哈密顿量与一个辅助量子比特相干耦合；该辅助量子比特与噪声环境相互作用，并且是我们唯一测量的量子比特。一个前馈神经网络利用来自过去的短滑动窗口辅助数据进行训练，无需态层析或环境知识即可预测可观测系统量 $\langle Z_{(S)}(t)\rangle$。为了量化记忆效应，我们引入了一种基于归一化恢复的度量，该度量计算预测的 $\langle Z_{(S)}(t)\rangle$ 中向上的“折返”次数，并报告超过小阈值的评估样本比例。这个有界分数提供了一个可解释的、与模型无关的非马尔可夫性指标。我们在两个代表性噪声通道上演示了该方法：非幺正振幅阻尼和来自随机电报噪声（RTN）的幺正退相干。在匹配条件下，该模型准确地再现了动力学过程并标记了记忆效应，其中 RTN 表现出比振幅阻尼更大的归一化恢复分数。总体而言，该方法在实验上具有现实性且易于扩展，能够通过可及的局部测量实现实时、可解释的非马尔可夫诊断。