线性模型 DLinear 在整个初始态族上稳定预测 PXP 链可观测量，而非线性 Transformer 在接近 Néel 极限的疤痕区性能持续退化
核心概要
该工作把量子多体动力学表述为时间序列预测问题，在可用里德堡原子阵列实现的少比特 PXP 链上，用同一复合损失训练非线性 Transformer 与线性 DLinear，输入局部磁化与连通两点关联的历史窗口以预测其后续演化；Transformer 在更遍历的区域预测准确，但随初始态接近疤痕极限而持续退化，DLinear 则在从遍历到量子多体疤痕的整个初始态族上保持准确，其主要偏差只是对整体预测误差影响很小的小幅高频振荡。
Figure 1: Schematic illustration of the forecasting protocol, consisting of three stages: data preparation [panel (a)], training [panel (b)], and prediction [panel (c)]. Data preparation (a): A set of N N initial quantum states, { | ψ k ⟩ } k = 1 N \{\ket{\psi_{k}}\}_{k=1}^{N} , of an L L -qubit system is prepared. Each state is evolved under the Hamiltonian H ^ PXP \hat{H}_{\rm PXP} , generating N N quantum trajectories, { | ψ k ( t ) ⟩ } k = 1 N \{\ket{\psi_{k}(t)}\}_{k=1}^{N} . At each time t t , each trajectory is represented by a feature vector 𝐱 k ( t ) \mathbf{x}_{k}(t) comprising local magnetizations and connected two-point correlations, for a total of F = L ( L + 1 ) / 2 F=L(L+1)/2 features. For each trajectory, the first ρ \rho time steps define the input sequence, while the subsequent τ \tau time steps constitute the target sequence. Training (b): DLinear and the Transformer are trained on a subset of N train < N N_{\rm train}<N trajectories. Prediction (c): The trained models are evaluated on the remaining N test = N − N train N_{\rm test}=N-N_{\rm train} unseen trajectories to assess their forecasting performance.
arXiv深度剖析
在固定 PXP 哈密顿量下，通过一族在参数空间随机采样、连续连接遍历区与 Néel 极限的初始态，作者在同一预测任务上直接比较了直接多步的线性 DLinear 与自回归的非线性 Transformer。 以往量子动力学机器学习多关注单一架构或单一动力学区域，这里把线性与非线性架构放在同一初始态族、同一输入窗口、同一预测时域与同一复合损失下对照，使架构差异与动力学区域差异可以分离观察。 训练与测试在轨迹层面切分，保证同一物理轨迹的不同时刻不同时出现在训练集与测试集；预处理仅在训练轨迹上拟合；两模型共享预处理、输入窗口、预测时域、损失权重与评估协议，模型特定优化设置各自独立选取。
DLinear 在整个初始态参数空间保持低 MAE 且近似均匀，其原始预测的方向准确率偏低主要来自小幅高频振荡；用 Savitzky–Golay 滤波平滑后，方向准确率在很大参数区域内升到 0.9 以上，说明底层时间趋势被正确复现。 这提示原始方向准确率的下降未必等于趋势预测失败，需要把幅度误差与方向误差分开解读；平滑仅作为事后分析工具，不改变训练过程或原始预测。 结论由 MAE 与方向准确率两种互补指标、逐轨迹与逐特征误差热图、以及随预测时域变化的误差曲线共同支持；DLinear 的误差在初始瞬态后进入有界、近似平稳状态，未出现明显系统性增长。
Transformer 的表现强烈依赖初始态参数：在接近均匀态极限的区域与 DLinear 相当，但随初始态接近 Néel 极限而误差更大、更持久，且平滑无法消除这一退化，说明它并非只是叠加了高频波动，而是越来越难以复现目标动力学的时间趋势。 这为“更强表达力的非线性架构是否必然占优”提供了一个量子多体场景下的反例式对照，并与经典时间序列预测中线性模型可竞争甚至更优的观察相呼应。 逐特征误差分布显示 Transformer 的均值系统性高于中位数，呈右偏长尾，由一部分初始条件驱动；其误差峰值随预测时间推移逐渐增大，整体增长强于 DLinear。
作者强调，可观测量的时间序列能被简单线性映射高精度预测，并不意味着底层量子动力学本身是线性的；而是说明多体演化的复杂度不必直接转化为预测所选可观测量所需的映射复杂度。 这把“量子动力学的复杂度”与“预测其可观测特征的复杂度”明确区分为两个问题，为后续在其它哈密顿量、数字量子电路以及马尔可夫与非马尔可夫动力学中检验该关系提供了框架。 该判断基于本文有限 PXP 链、特定初始态族、选定可观测量与预测时域内的结果，作者将其表述为对所考察设置的解释，而非对一般量子动力学的断言。
启示与展望
该结果面向的是从有限观测历史预测选定可观测量的场景：输入为局部磁化与连通两点关联函数的时间窗口，输出为其后续演化，训练与测试数据由少比特 PXP 链的数值精确演化生成。作者明确说明框架不绑定特定哈密顿量，可扩展到其它量子多体系统以及数字量子电路，前提是具备代表性时间序列数据；并建议在具有不同遍历与非遍历区域的其它多体哈密顿量、数字量子电路以及马尔可夫与非马尔可夫动力学中检验线性预测的稳健性是否更普遍成立。对读者而言，这意味着当任务是从历史观测外推可观测量时，线性基线值得作为首要对照，而把非线性架构的收益放在具体动力学区域中评估。
作者把结论限定在有限 PXP 链、特定初始态族、选定可观测量与预测时域之内，因此该行为在更大多体系统、其它哈密顿量或更长时域上是否保持，仍是开放问题。方向准确率对小幅高频振荡敏感，而平滑窗口过大会同时抑制真实动力学特征，因此平滑结果需要与 MAE 联合解读；作者也指出高方向准确率只是准确重建的必要而非充分条件。此外，Transformer 的较大平均误差由一部分初始条件驱动，其误差分布呈右偏长尾，说明按轨迹平均的指标可能掩盖区域间的差异。原文以公式与图件呈现具体数值，若仅依据正文文字，部分定量细节（如各区域的具体误差数值与超参数取值）无法完整复核。