arXiv · quant-ph· Jinyang Li, Satoshi Iso, Shunji Matsuura, Lingxiao Wang, Xiaoyang Wang·· 6 小时前
Neural ODE结合物理约束网络从短时量子数据重建长时算符动力学并解析激发谱
Learning Quantum Operator Dynamics from Short-Time Data
arXiv:2603.14699v2阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Jinyang Li, Satoshi Iso, Shunji Matsuura, Lingxiao Wang, Xiaoyang Wang
研究任务与主要进展
研究团队提出一种结合Neural ODE与物理约束神经网络的量子算符动力学学习框架，从短时量子数据外推长时关联函数并解析激发谱。基于论文摘要，该方法应用于混合场伊辛自旋链，并在IBM超导量子处理器上重建N=8伊辛自旋链的傅里叶谱，作者报告精度提升5倍。
阶段、条件与复现 · 深读核对
- AI 解决哪一个明确的量子问题？
- 训练数据、物理约束、误差与分布外检验是什么？
- 相同精度和总资源下，是否优于已有方法？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · quant-ph · arxiv.org