用于求解林德布拉德主方程的量子-经典神经网络

研究人员提出了一种结合经典神经网络与参数化量子线路的变分框架，通过最小化残差成本函数来求解林德布拉德主方程（Lindblad master equations）。该方法在扩大的希尔伯特空间中通过纯化表示密度矩阵，确保正定性、厄米性与单位迹，并通过参数移位法则精确计算所有梯度。理论分析推导了该组合模型的覆盖数上限，数值实验验证了其在耗散量子动力学模拟中的高精度以及关于梯度浓缩的理论预测。