DOI: https://doi.org/10.1103/2tt3-yndr
تاريخ النشر: 2026-04-13
المؤلف: Zihao Qi وآخرون
الموضوع الرئيسي: أنظمة الكم ذات الجسيمات المتعددة
نظرة عامة
في هذا القسم، يقدم المؤلفون مشغلات فورييه العصبية (FNOs) كإطار حسابي مبتكر لنمذجة الأنظمة الكمومية المدفوعة دورياً. يتم تحديد مشغلات FNO في فضاء فورييه، مما يمكنها من العمل كبدائل مدفوعة بالبيانات يمكنها التنبؤ بما يتجاوز بيانات التدريب، مما يعيد بناء هاملتونيان فلوكي الفعال ويتنبأ بالملاحظات المحلية بدقة عالية. تحدد الدراسة انتقال القابلية للتعلم عند $k^* \sim L + 1$ ملاحظات إدخال، مما يشير إلى أن مشغلات FNO يمكنها تعلم ديناميات جميع الملاحظات المحلية بمجرد تجاوز هذا العتبة. علاوة على ذلك، تظهر مشغلات FNO القدرة على التنبؤ بمصفوفات انتشار المشغل $c(t)$، مما يسمح بالتنبؤ بديناميات الملاحظات بما يتجاوز نافذة التدريب.
يؤكد المؤلفون على المزايا الحسابية لمشغلات FNO مقارنة بالطرق التقليدية، مثل التشخيص الدقيق وطرق الشبكات التنسورية، خاصة في المهام التي تكون مكلفة حسابياً. تحقق مشغلات FNO تسريعات كبيرة أثناء الاستدلال من خلال إنتاج التنبؤات في تمريرة أمامية واحدة، ويضمن قياسها المتعدد الحدود مع حجم النظام الكفاءة. تشير النتائج إلى أن مشغلات FNO لا تتفوق فقط على الطرق العددية التقليدية من حيث السرعة وقابلية التوسع، ولكنها توفر أيضًا قدرات فريدة لاستخراج رؤى فيزيائية من بيانات محدودة. تشير هذه الدراسة إلى نموذج جديد واعد لدراسة الأنظمة الكمومية غير المتوازنة، مع آثار على التطبيقات التجريبية المستقبلية.
مقدمة
في مقدمة هذه الورقة البحثية، يبرز المؤلفون أهمية التلاعب بالأنظمة الكمومية من خلال القيادة المعتمدة على الزمن، خاصة في سياق الأنظمة الكمومية المدفوعة دورياً (فلوكي). لقد أظهرت هذه الأنظمة أنها تعرض ظواهر مختلفة بعيدة عن التوازن، بما في ذلك البلورات الزمنية والعوازل الطوبولوجية فلوكي، مما يضعها كمنصات واعدة لاستكشاف مراحل جديدة غير متوازنة من المادة وتقدم تقنيات المعلومات الكمومية. ومع ذلك، يشير المؤلفون إلى أن المحاكاة العددية للديناميات الزمنية في هذه الأنظمة تصبح أكثر تحدياً بسبب النمو الأسي لأبعاد فضاء هيلبرت والزيادة السريعة في التشابك تحت ظروف القيادة.
لمعالجة هذه التحديات، يقترح المؤلفون استخدام مشغلات فورييه العصبية (FNO) كبديل لدراسة ديناميات الكم فلوكي. يوفر إطار عمل FNO مزايا على طرق الشبكات العصبية التقليدية من خلال التوافق مع الطبيعة الدورية الزمنية للأنظمة فلوكي وتمكين التنبؤات الفعالة من خلال التحديد في فضاء فورييه. يسمح هذا النهج بدمج بيانات المحاكاة والتجريب، مما يسهل التنبؤ بما يتجاوز ظروف التدريب ويحسن قابلية التوسع لأحجام الأنظمة الكبيرة. يحدد المؤلفون منهجيتهم، التي تشمل التنبؤ بهاملتونيان فلوكي، وتعلم الملاحظات المحلية، وتوقع ديناميات نمو المشغل، مما يربط في النهاية الفجوة بين البيانات التجريبية من الأجهزة الكمومية القريبة من المدى والفهم النظري للمادة الكمومية المدفوعة.
نقاش
في هذا القسم، يناقش المؤلفون بنية واستراتيجية التعلم لمشغلات فورييه العصبية (FNOs) لنمذجة الديناميات الكمومية، خاصة في سياق الأنظمة المدفوعة دورياً. تم تصميم بنية FNO لتقريب المشغلات المعقدة بكفاءة من خلال الاستفادة من المشغلات التكاملية ووظائف التنشيط غير الخطية، مما يسمح بتعلم التحويلات غير الخطية العالية من هاملتونيان الزمن الدوري \( H(t) \) إلى هاملتونيان فلوكي الفعال \( H_F(t) \). تستخدم FNO تحويلات فورييه السريعة لتقليل التكاليف الحسابية المرتبطة بالتقييمات التكاملية، مما يجعلها مناسبة بشكل خاص للأنظمة ذات الاضطراب الزماني المكاني. يبرز المؤلفون أن مشغلات FNO تظهر عدم حساسية التقطيع، مما يمكنها من التعميم عبر أحجام الشبكات المختلفة دون إعادة التدريب، وهو ميزة كبيرة مقارنة بالشبكات العصبية التقليدية.
تشمل استراتيجية التعلم إنشاء مجموعة بيانات من الأزواج التي تتكون من هاملتونيان، وهاملتونيان فلوكي الفعال، والقيم المتوقعة للملاحظات المحلية. يؤكد المؤلفون على أهمية حساب هاملتونيان فلوكي الفعال بدقة، والتي تلخص ديناميات النظام على مدى فترات متعددة. يوضحون أن FNO يمكنها تعلم التنبؤ بـ \( H_F(t) \) لهاملتونيان غير المرئي والتعميم بما يتجاوز تردد القيادة والتقطيع المستخدمين أثناء التدريب. يتم تقييم أداء FNO مقارنة بالطرق التقليدية، مما يظهر أنها تحقق باستمرار دقة عالية في التنبؤ بـ \( H_F(t) \) حتى عند التدريب على شبكات أكثر خشونة، مما يثبت فعاليتها كنهج مدفوع بالبيانات لفهم الديناميات الكمومية غير المتوازنة.
DOI: https://doi.org/10.1103/2tt3-yndr
Publication Date: 2026-04-13
Author(s): Zihao Qi et al.
Primary Topic: Quantum many-body systems
Overview
In this section, the authors present Fourier Neural Operators (FNOs) as an innovative computational framework for modeling periodically driven quantum systems. FNOs are parameterized in Fourier space, enabling them to serve as data-driven surrogates that can extrapolate beyond the training data, effectively reconstructing effective Floquet Hamiltonians and predicting local observables with high accuracy. The study identifies a learnability transition at $k^* \sim L + 1$ input observables, indicating that FNOs can learn the dynamics of all local observables once this threshold is surpassed. Furthermore, FNOs demonstrate the ability to predict operator-spreading matrices $c(t)$, allowing for the extrapolation of observable dynamics beyond the training window.
The authors emphasize the computational advantages of FNOs over traditional methods, such as exact diagonalization and tensor-network approaches, particularly in tasks that are otherwise computationally prohibitive. FNOs achieve significant speedups during inference by producing predictions in a single forward pass, and their polynomial scaling with system size ensures efficiency. The results indicate that FNOs not only outperform conventional numerical methods in terms of speed and scalability but also provide unique capabilities for extracting physical insights from limited data. This work suggests a promising new paradigm for studying non-equilibrium quantum systems, with implications for future experimental applications.
Introduction
In the introduction of this research paper, the authors highlight the significance of manipulating quantum systems through time-dependent driving, particularly in the context of periodically driven (Floquet) quantum systems. These systems have been shown to exhibit various far-from-equilibrium phenomena, including time crystals and Floquet topological insulators, which position them as promising platforms for exploring novel nonequilibrium phases of matter and advancing quantum information technologies. However, the authors note that the numerical simulation of real-time dynamics in these systems becomes increasingly challenging due to the exponential growth of the Hilbert space dimension and the rapid increase of entanglement under driving conditions.
To address these challenges, the authors propose the use of Fourier Neural Operators (FNO) as a surrogate for studying Floquet quantum dynamics. The FNO framework offers advantages over traditional neural network methods by aligning with the time-periodic nature of Floquet systems and enabling efficient predictions through parameterization in Fourier space. This approach allows for the integration of simulation and experimental data, facilitating extrapolation beyond training conditions and improving scalability for large system sizes. The authors outline their methodology, which includes predicting Floquet Hamiltonians, learning local observables, and forecasting operator growth dynamics, ultimately bridging the gap between experimental data from near-term quantum devices and the theoretical understanding of driven quantum matter.
Discussion
In this section, the authors discuss the architecture and learning strategy of Fourier Neural Operators (FNOs) for modeling quantum dynamics, particularly in the context of periodically driven systems. The FNO architecture is designed to efficiently approximate complex operators by leveraging integral operators and non-linear activation functions, allowing for the learning of highly non-linear mappings from time-periodic Hamiltonians \( H(t) \) to effective Floquet Hamiltonians \( H_F(t) \). The FNO utilizes Fast Fourier Transforms to reduce computational costs associated with integral evaluations, making it particularly suitable for systems with spatio-temporal disorder. The authors highlight that FNOs exhibit discretization invariance, enabling them to generalize across different mesh sizes without retraining, which is a significant advantage over traditional neural networks.
The learning strategy involves generating a dataset of tuples comprising Hamiltonians, effective Floquet Hamiltonians, and expectation values of local observables. The authors emphasize the importance of accurately computing the effective Floquet Hamiltonians, which encapsulate the system’s dynamics over multiple periods. They demonstrate that the FNO can learn to predict \( H_F(t) \) for unseen Hamiltonians and generalize beyond the driving frequency and discretization used during training. The performance of the FNO is benchmarked against traditional methods, showing that it consistently achieves high accuracy in predicting \( H_F(t) \) even when trained on coarser grids, thus validating its effectiveness as a data-driven approach to understanding non-equilibrium quantum dynamics.