解开量子环境：基于 Transformer 的 Lindblad 动力学学习

理解开放量子系统中的耗散过程对于开发稳健的量子技术至关重要。本文引入一种基于 Transformer 的机器学习框架，用于推断受 Lindblad 主方程 governing 的量子系统中的时变耗散率。该方法使用可观测量的时间序列，如单一 Pauli 算子的期望值作为输入，以无需初始量子态甚至系统哈密顿量知识的情况下学习耗散轮廓。我们在复杂度逐渐增加的开放量子模型系列中展示了方法的有效性，包括具有时不可变或时变跳跃速率的单量子比特系统、两量子比特相互作用系统（如 Heisenberg 和横向 Ising 模型），以及涉及光-物质相互作用和腔体损耗具有时变衰减速率的 Jaynes-Cummings 模型。我们的 метод能够准确重构固定和时变的衰减速率。为支持这一点，我们证明了在合理假设下，这些模型中的跳跃速率由有限集合可观测量（如量子比特和光子测量）唯一确定。在实际中，我们将 Transformer 架构与轻量级特征提取技术结合，以高效学习这些动力学。我们的结果表明，现代机器学习工具可作为识别开放量子系统中未知环境的可扩展且数据驱动的替代方案。