基于物理信息神经网络的绝热捷径动力学分析.pdfVIP

物理学报ActaPhys.Sin.Vol.74,No.11(2025)114204

基于物理信息神经网络的绝热捷径动力学分析*

1)2)1)2)†

刘明张斯淇李宏

1)(吉林工程技术师范学院数据科学与人工智能学院,长春130052)

2)(吉林工程技术师范学院,吉林省量子信息技术工程实验室,长春130052)

(2025年2月7日收到;2025年3月27日收到修改稿)

本文提出一种基于物理信息神经网络的量子绝热捷径方案.与传统的绝热捷径技术相比,创新性地引入

机器学习技术,利用参数化的物理信息神经网络解含参数的微分方程,将神经网络作为量子绝热演化过程的

逼近函数,并将含参数的微分方程和微分方程的各种物理约束条件作为参数化的神经网络的损失函数,训练

神经网络,拟合量子系统演化过程,获得布居反转的驱动控制函数.数值实验表明,量子系统可以在短时间内

实现布居反转,并且具有很高的保真度、很强的鲁棒性.神经网络具有很强的计算能力,适合复杂系统的驱动

控制函数的生成.与传统的绝热捷径技术相比,具有更好的效果和更强的实用性.

关键词：绝热捷径,深度学习,物理信息神经网络,微分方程

PACS：42.50.–p,03.67.–a,07.05.Mh,02.60.CbDOI:10.7498/aps.74

CSTR：32037.14.aps.74

度等问题.

1引言随着计算科学的快速发展,深度学习在许多领

域取得了巨大成功,包括计算机视觉(CV)、自然语

量子态的快速、精确操控是原子和分子物理学言处理(NLP)、模式识别和蛋白质结构预测等[21–24].

中的一项基本操作,在激光控制的化学反应、计量在这些领域中的成功应用证明了神经网络模型能

[1–3]够很好地逼近复杂函数.微分方程的数值解一直是

学、干涉测量、核磁共振和量子信息处理等领

域有着广泛的应用.在各种实现量子态操控的方法数学物理领域的一个热门话题.具有通用近似计算

[4,5][6–9]能力的神经网络常用于代替传统方法求解微分方

中,量子绝热过程是一种较为普遍适用的方法.

目前已经提出了许多基于不同理论的绝热捷径技程.物理信息神经网络(physics-informedneural

术(shortcutstoadiabaticity,STA),包括无跃迁