[论文解读] Unboxing Quantum Black Box Models: Learning Non-Markovian Dynamics

Stefan Krastanov, Kade Head-Marsden+4 more|arXiv (Cornell University)|Sep 8, 2020

Statistical Mechanics and Entropy被引用 8

一句话总结

该论文提出STEADY，一种可微分的机器学习框架，通过将物理约束（如完全正性和迹保持性）嵌入神经网络架构中，学习非马尔可夫量子动力学。通过使用可学习的时间卷积核对Nakajima-Zwanzig形式化中的记忆效应进行建模，该方法在不依赖有偏的超算符模型或黑箱学习的情况下，实现了高保真度、可解释的开放量子系统动力学重建。

ABSTRACT

Characterizing the memory properties of the environment has become critical for the high-fidelity control of qubits and other advanced quantum systems. However, current non-Markovian tomography techniques are either limited to discrete superoperators, or they employ machine learning methods, neither of which provide physical insight into the dynamics of the quantum system. To circumvent this limitation, we design learning architectures that explicitly encode physical constraints like the properties of completely-positive trace-preserving maps in a differential form. This method preserves the versatility of the machine learning approach without sacrificing the efficiency and fidelity of traditional parameter estimation methods. Our approach provides the physical interpretability that machine learning and opaque superoperators lack. Moreover, it is aware of the underlying continuous dynamics typically disregarded by superoperator-based tomography. This paradigm paves the way to noise-aware optimal quantum control and opens a path to exploiting the bath as a control and error mitigation resource.

研究动机与目标

• 解决黑箱机器学习模型在量子系统动力学中缺乏物理解释性的问题。
• 克服传统基于超算符的层析成像方法的局限性，后者忽略了连续时间动力学并假设马尔可夫记忆。
• 开发一种方法，在保持深度学习表达能力的同时，嵌入完全正性和迹保持性等基本量子力学约束。
• 实现对开放量子系统中非马尔可夫动力学的精确重建，特别是那些具有缓慢环境自由度的系统。
• 通过从实验数据中学习系统-环境相互作用的记忆核，实现噪声感知的量子控制。

提出的方法

• 使用Nakajima-Zwanzig（NZ）方程表述动力学，通过时间卷积记忆核捕捉非马尔可夫效应。
• 使用可微分的神经网络架构参数化记忆核，支持基于梯度的优化。
• 将完全正性和迹保持性等物理约束直接嵌入网络的损失函数和参数化中。
• 通过最小化预测与测量的量子比特态概率之间的距离度量，使用实验数据训练模型。
• 根据数据可用性，采用考虑单次弱测量（公式10）或在多个时间点重复采样（公式11）的成本函数。
• 利用自动微分和优化工具（如Adam、TensorFlow）高效训练模型，适用于真实量子系统数据。

实验结果

研究问题

• RQ1 我们能否在不依赖有偏超算符模型或不透明神经网络的情况下，学习开放量子系统中的非马尔可夫动力学？
• RQ2 如何将完全正性和迹保持性等物理约束嵌入可微分机器学习模型中以描述量子动力学？
• RQ3 与标准黑箱学习相比，嵌入Nakajima-Zwanzig形式化在多大程度上提升了学习动力学的保真度与可解释性？
• RQ4 能否利用可微分框架，从有限的实验数据中准确重构非马尔可夫环境的记忆核？
• RQ5 与传统参数估计或纯深度学习方法相比，该方法是否能实现更高效且物理意义明确的量子控制？

主要发现

• STEADY框架成功重建了与寄生两能级系统耦合的中心自旋中的非马尔可夫动力学，在Lindbladian模型失效时仍能实现高保真度。
• 通过将物理约束嵌入模型架构，该方法避免了黑箱神经网络的高方差和数据低效性，同时保持了强大的表达能力。
• 该方法能够准确学习Nakajima-Zwanzig方程中的记忆核，从而捕捉标准超算符层析成像无法描述的缓慢环境动力学。
• 通过用一个具有可学习核的有效环境替代多个环境自旋的完整模拟，该方法显著降低了计算成本。
• 该框架支持单轨迹弱测量数据和重复采样场景，对应的成本函数针对每种情况进行了优化。
• 训练后的模型提供了关于系统-环境相互作用的物理解读，例如记忆效应的特征时间尺度，从而支持噪声感知的控制策略。