傅里叶神经算子在量子自旋系统动态学习中的应用
原文中文，约400字，阅读约需1分钟。发表于：。本研究解决了使用傅里叶神经算子（FNOs）模拟量子自旋系统时间演化的难题，填补了在功能数据上高效建模的空白。通过探索两种不同的FNO架构，研究发现基于哈密顿可观测量的方法不仅简化了输入输出维度，还有助于深度提取高维空间的信息，显著提升量子系统的可模拟性。
量子神经网络的训练动力学可以用广义的 Lotka-Volterra 方程描述，导致了一个动力学相变。通过将训练动力学的 Hessian 映射到虚时间中的 Hamiltonian，揭示了相变的本质是二阶的，指数ν=1，表现出临界点的尺度不变性和闭合间隙。这些理论发现在 IBM 量子设备上得到了实验验证。
