量子演化网络学习受驱自旋寄存器的长时间相干动力学

研究团队提出量子演化网络（QENs），将物理参数和时间映射为周期受驱三自旋寄存器的完整传播子，无需特定数值积分即可通过已知周期复合预测动力学。在横向驱动测试中，该模型在 256 个保留配置上跨 24 个周期，极小化后的第 5 百分位数保真度达 0.9947。该研究还证实单周期残差方向对多周期误差有数量级影响，建立了具备长时间可靠性的可复用神经表示。