顶刊突破！SpinQ联合团队研发双向解析量子机器学习模型，登顶《物理评论快报》

近日，由量旋科技（SpinQ）、香港科技大学、深圳大学、粤港澳大湾区量子科学中心的专家，联合发布的一项最新研究成果，被国际物理学顶级期刊《Physical Review Letters》(PRL，物理评论快报) 收录。

研究团队提出的一种基于长短期记忆（LSTM）的机器学习模型，首次实现了量子系统参数与动态演化的“双向解析”——既能从实验观测数据中逆向推断哈密顿量参数，也能基于参数预测量子系统的动态行为。这一成果为量子硬件调试、噪声表征及算法优化提供了新思路，目前已通过理论模拟与多平台实验验证。

《Physical Review Letters》(PRL，物理评论快报)是美国物理协会的旗舰刊物，是世界物理学界公认的权威学术期刊，致力于传播基础及前沿交叉物理学领域中最有影响力和变革性的思想，并以强调服务研究者和论文作者而不同于商业性学术杂志。

传统量子系统分析的“动态黑箱”难题

量子硬件与经典计算模拟的快速发展，显著提升了量子系统数据的可获取性，同时也对系统的精确描述与预测提出了更高需求。

然而，量子系统的复杂性（如量子态随规模指数增长的特性）以及哈密顿参数与动力学之间的逆向工程问题，一直是量子计算、量子控制与量子模拟领域的核心议题。传统量子系统分析面临两大难题：动态预测依赖复杂计算，参数反推需特定实验设计。而机器学习（尤其是深度学习）凭借其处理高维数据和复杂模式识别的优势，为量子系统分析提供了新工具。

技术突破，构建量子系统的“双向翻译器”

在这样的背景下，联合研究团队突破性地将LSTM循环神经网络（RNN）与编码网络结合，构建双向机器学习框架，首次实现“参数-动态”双向映射，为量子系统提供了一种通用分析框架。

该模型以量子系统的局部观测量时间序列为输入，可逆向推演磁场强度等时变参数，误差控制在1%以内；同时，输入已知参数后，模型能预测长达15个时间单位的量子态演化轨迹。

• 参数逆向推算：仅需观测局部可观测量的时间演化（如自旋变化），即可逆向推演哈密顿量中的时变参数（如场强变化）。
• 动态精准预测：输入哈密顿量参数，直接预测多体量子系统的可观测量演化轨迹。

双平台实验验证技术普适性

研究团队在理论模拟中，验证了模型对一维横场伊辛模型、非可积系统及二维量子模型的适用性，并在量旋科技（SpinQ）自主研发的核磁量子计算机“量旋双子座 Lab”（SpinQ Gemini Lab）以及超导量子计算机“大熊座”（SpinQ SQC）上进行了实验验证，并中取得以下结果：

• 核磁量子计算平台（2比特）：模型对不同耦合情况下的双量子比特系统的动态预测与实验数据一致，预测误差低于1%（时间跨度50ms）。
• 超导量子芯片平台（20比特）：针对超导量子比特的频率失谐问题，模型通过实验数据成功反推出哈密顿量中的未知噪声参数（Δ₁、Δ₂），为硬件校准提供了新方法。

而通过跨平台实验验证也表明，该技术对量子硬件类型与规模具备强适应性，为异构量子计算生态的协同优化提供可能。

为量子纠错提供动态监测新思路

量子纠错是规模化量子计算的核心挑战，当前主流方案依赖静态逻辑编码，难以应对实时环境噪声。该研究提出的动态追踪技术，为解决实时噪声监测难题提供了新思路：

• 高精度噪声参数提取：在超导量子芯片实验中，模型从20量子比特系统的门操作数据中成功提取出失谐参数（Δ1​,Δ2​），反推误差稳定在1%以内。这种精度已达到典型表面码纠错方案对参数漂移的检测要求（容错阈值约1-2%）。

•  动态误差关联分析：通过持续监测哈密顿量参数的时间演化，系统可建立噪声波动与逻辑错误率的关联模型。在核磁共振平台验证中，基于2个量子比特的动态参数序列（50ms观测时长），成功预测了耦合强度B(t)异常波动导致的Z方向退相干（预测与实测数据相关系数R2=0.97）。
• 可扩展性验证：模拟测试表明，当系统规模从5量子比特扩展至11量子比特时，参数反推耗时仅增加1.8倍，而传统线性代数方法耗时会增长5倍以上。这种亚线性复杂度，为大规模系统的实时监控提供了可能。

未来，量旋科技将继续以“技术研发+商业落地”双轮驱动为核心战略，致力于将前沿量子计算研究成果，深度融入全栈技术布局与商业生态构建，让量子技术真正成为驱动产业升级的普惠化工具，携手全球合作伙伴开拓量子计算赋能产业未来的全新范式。

论文链接：https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.134.120202