跳转至

哈密顿量学习

一、闭系统：哈密顿量学习的基本套路

1. 问题形式化

假设你的系统是闭的，满足：

$ \dot\rho(t) = -i[H(\theta), \rho(t)] $

  • \(H(\theta)\) 是你要学的**有效哈密顿量**，通常事先知道“形式”（比如自旋链、Ising、Heisenberg 等），但不知道具体参数 \(\theta\)（耦合强度、局域磁场等）；
  • 你能做的：
  • 准备若干初始态 \(\rho(0)\)（可能是基态、简单的纯态等）；
  • 对系统施加控制脉冲（或设定演化时间 \(t\)）；
  • 在不同时间、不同测量基底下测量输出。

目标：从这些「(控制, 初态) → 测量结果」数据中**反推 \(\theta\)**。

2. 标准流程（抽象成 4 步）

  1. 参数化哈密顿量
    写成固定的算符展开：

$ H(\theta)=\sum_k \theta_k P_k $

  • \(P_k\) 是一组已知的 Hermitian 基（例如各种 Pauli 串 \(\sigma_i^\alpha\sigma_j^\beta\)），

  • \(\theta_k\) 是待估计的实参数（耦合常数、局域场等）。

  • 设计实验并采集数据

  • 选若干初态 \(\{\rho_j(0)\}\)；
  • 对每个初态，施加控制 \(u\)（脉冲序列、演化时间）并测量一组可观测量 \(\{O_m\}\)；

  • 得到数据集： $ \mathcal{D} = \left{ (u_j, t_j, \langle O_m\rangle_{j}) \right} $

  • 建模：从数据拟合 \(\theta\)
    这里 AI/ML 登场，有几种常用做法：

#### （1）“基于物理模型 + 参数拟合”的 ML

  • 先用参数化的 \(H(\theta)\) 做数值演化： $ \rho_{j}^{\text{pred}}(t_j;\theta) = e{-iH(\theta)t_j}\rho_j(0)e $
  • 预测测量值： $ \langle O_m \rangle_{j}^{\text{pred}} = \text{Tr}\left[O_m \rho_{j}^{\text{pred}}(t_j;\theta)\right] $
  • 用损失函数最小化“预测 vs 实验”的误差： $ \mathcal{L}(\theta) = \sum_{j,m} \left(\langle O_m \rangle_{j}^{\text{pred}} - \langle O_m \rangle_{j}{\text{exp}}\right)2 $
  • 优化器可以用：
    • 经典梯度下降 / Adam；
    • 或贝叶斯优化（高斯过程）——在「数据少、每点代价高」时特别合适。

AI 在这里的角色本质上是：

高效求解“反问题”的参数估计器，在复杂多参数、非凸的空间里找到那组 \(\theta\)。

#### （2）用 NN 直接学习“控制 → 测量”再反推参数

  • 搭一个神经网络 \(f_\phi\)，输入是实验条件（控制脉冲参数、时间、初态标签），输出是**预测测量结果**；
  • 训练好后，再对网络进行“反演”：
    • 要么给网络增加一个输出头专门输出 \(\theta\)；
    • 要么通过对 \(\theta\) 的梯度优化，让 \(f_\phi(\theta)\) 拟合实验数据。

这种做法优点是： - 不必每次显式做昂贵的薛定谔演化，可以让 NN 学习一个“近似时间演化器”；
- 对实验噪声和未建模效应更鲁棒一些。

#### （3）RNN / 时序模型重构动力学

  • 给 RNN 输入一段时间序列测量结果（例如多时刻 \(\langle Z_i(t)\rangle\) 序列）；
  • 让 RNN 输出**系统参数 \(\theta\)** 或下一时刻的预测；

  • 通过在大量模拟数据上训练，让模型学会“某种时间行为 ↔ 某种 \(\theta\)”的对应关系。

  • 验证与交叉检验

  • 用学到的 \(H(\theta^\*)\) 去预测**一批没参与训练的新实验设置**下的测量结果；

  • 比较误差，若在实验误差范围内一致，说明学到的哈密顿量是可信的“有效模型”；
  • 反之要么模型形式不对，要么数据不够 / 噪声建模有问题。

文献中把这整个方向称为 Hamiltonian learning[1][2][7]，已经形成一个比较通用的框架，并被用于学习多种量子平台的小规模系统模型。

二、开放系统：如何从数据中学到噪声 / Lindblad 算符？

真实设备往往是**开放量子系统**，满足 Lindblad 主方程：

$ \dot\rho(t) = -i[H,\rho] + \sum_k \left(L_k\rho L_k^\dagger - \tfrac12{L_k^\dagger L_k,\rho}\right) $

这里 \(\{L_k\}\) 就是你问的**噪声算符 / 路径**，反映退相干、弛豫等过程。

1. 难点

  • 相比纯哈密顿量，多了大量自由度（每个 \(L_k\) 本身是算符）；
  • 噪声可能是**非马尔可夫的**（带记忆），用简单 Lindblad 很难直接描述。

2. 两条主路线（综述中提到的）

路线 A：嵌入非马尔可夫 → 马尔可夫，再学习嵌入

思路：[8][9]

  1. 物理上把系统 + 环境扩展成更大 Hilbert 空间，使得整体演化是马尔可夫的；
  2. 在这个扩展空间上，用 ML 学习**等效的 Lindblad 算符和演化**；
  3. 再把环境自由度“迹出”，得到原系统的有效非马尔可夫动力学。

实操上：

  • 用 RNN / 时序 NN 去拟合「当前态 → 下一时刻态」的映射，相当于在状态空间里学习一个“带记忆”的有效 Lindbladian；
  • 或用参数化的噪声核（memory kernel）+ NN 进行拟合。

路线 B：直接用 NN 参数化 Lindbladian

综述中明确写到：

“neural networks can directly capture the process by parameterizing the Lindbladian operators”[1]。

做法非常直接：

  1. 选一个 Lindblad 算子基，如： $ L_k(\phi) = \sum_j c_{kj}(\phi)\,F_j $
  2. \(F_j\) 是一组固定基（例如 Pauli 串）；

  3. 系数 \(c_{kj}(\phi)\) 由 NN 输出（参数 \(\phi\) 是 NN 权重）；

  4. NN 的**输入**：

  5. 控制脉冲 / 时间 / 初态标签等实验条件；
  6. NN 的**输出**：
  7. 一组 \(L_k\) 的系数 + 可能还有 \(H\) 的参数；
  8. 用 Lindblad 方程数值积分得到 \(\rho(t)\)，再预测测量值，与实验数据做 loss，反向传播更新 NN 权重 \(\phi\)。

此外，综述还提到一个更具体的例子：

“在给定噪声模型下，ML‑assisted characterization 能通过学习 Lindbladian 方程中的衰减参数，发现两能级系统”[1]。

也就是：

  • 已知噪声结构的形式（比如只有退相干 / 弛豫），
  • 但不知道具体衰减率 \(\gamma_k\)，
  • 用 ML 从实验测量中**估计这些衰减率**。

这个就是完完全全的“用 ML 学 Lindblad 参数”。

三、在“有限实验数据”条件下，AI 做了哪些关键设计？

综述文中反复强调两个现实约束：

  • 量子实验**贵且慢**：每个数据点（一次设置 + 多次测量平均）都要时间；
  • 噪声和不完美导致数据“脏”。

在这种前提下，哈密顿量 / 噪声学习要想可行，AI 主要做了三件事：

1. 主动选择“信息量最大”的实验（主动学习 / 贝叶斯优化）

  • 不是盲目扫一大片参数空间，而是用贝叶斯方法 / 信息增益准则，
    逐步选择**“当前最能缩小参数不确定性”的下一个实验设置**；
  • 这样在有限总测量预算下，尽量多“榨”到关于 \(\theta, L_k\) 的信息；
  • 文献中提到已经有 Hamiltonian learning 方法“只需可行量级的量子输入数据”来表征噪声很大的 NISQ 设备[1][7]。

2. 引入“物理约束”，减少模型自由度

文中明确说：

“ML‑assisted characterization can be greatly simplified by the inclusion of relevant information, e.g., observable constraints, which combine physics equations to guide deep learning models”[1]。

也就是把“我们已知的物理规律”强行塞进模型：

  • 强制哈密顿量 Hermitian：\(H = H^\dagger\)；
  • 对称性约束：如平移对称、局域相互作用、守恒量等；
  • 已知的噪声类型约束：只允许某几种 Lindblad 通道（退相干、弛豫等）。

好处：

原本无限多可能的 H / L，被压缩到一个**低维、物理合理的参数空间**，所以少量数据就够了。

3. 迁移学习、预训练 + 少量真实数据微调

综述中提到“reverse cascade”和 transfer learning[1]：

  • 在**理论上理解得很好的小系统**上，先用模拟/实验数据把模型预训练好；
  • 再把模型迁移到结构相似、规模稍大或噪声更真实的系统上，用少量新数据微调；
  • 比如先在理想的 spin chain 上学一个哈密顿量识别器，再迁移到实际超导/半导体阵列上。

这对于“有限数据 + 噪声重”的 NISQ 实验特别关键。

四、把闭系统 + 开放系统放在一起看：一句话图景

你可以这么总结：

  1. 闭系统（无耗散）：
  2. 假定哈密顿量形式 \(H(\theta)\) 已知，只是不知道参数；
  3. 用主动设计的控制和测量，采集尽量“信息量大的”有限数据；

  4. 用带物理约束的 ML 模型去拟合这些数据，从而得到 \(\theta\)。

  5. 开放系统（有噪声）：

  6. 在上面基础上，再为噪声部分引入参数化形式（Lindblad 算符）或时序 NN；
  7. 一并从数据中拟合 \((H, \{L_k\})\)；
  8. 对于非马尔可夫，通常用“嵌入 + NN”或时序模型去学。

整个过程的本质：

把“量子系统识别”变成一个**带强物理先验的监督 / 半监督学习问题**：
模型结构来自量子力学，参数通过有限实验数据 + AI 优化来确定。

如果你接下来想进一步细化，我可以帮你把其中一条路线完全公式化，比如：

  • “假设一个两比特 Ising 模型，具体写出：怎么选测量、怎么定义 loss、怎么优化 \(\theta\)？”
  • 或者
  • “给一个简单 Lindblad 方程例子，演示如何从 T1/T2 测量中用 NN 拟合噪声参数”。

你可以选一个你熟的体系（例如超导、量子点、自旋链），我帮你按这个体系写一套“可落地实现的”哈密顿量学习小方案。

References

[1] PAGE_3_LEARNING_MODELS_OF_QUANTUM_SYSTEMS. s41467-025-65836-3.pdf.
[2] PAGE_13_REFERENCES_HAMILTONIAN_LEARNING_AND_NON_MARKOVIAN. s41467-025-65836-3.pdf.
[7] PAGE_7_QUANTUM_DOT_AND_HAMILTONIAN_PARAMETER_LEARNING. s41467-025-65836-3.pdf.
[8] PAGE_13_LUCHNIKOV_NON_MARKOVIAN_EMBEDDING. s41467-025-65836-3.pdf.
[9] PAGE_13_BANCHI_RNN_FOR_NON_MARKOVIAN. s41467-025-65836-3.pdf.