Estimando funções de densidade espectral com aprendizagem de máquina

Abstract

A compreensão da decoerência quântica é fundamental para o avanço das tecnologias quânticas, pois esse fenômeno limita a coerência de sistemas de informação quântica. Neste trabalho, estudamos os canais de Amplitude Damping (AD) e Pure Dephasing (PD), descritos por funções de densidade espectral J(ω), e utilizamos aprendizagem de máquina para estimar seus parâmetros a partir de sinais sintéticos. Foram testados os modelos Random Forest (RF) e Extreme Gradient Boosting (XGB), avaliando suas capacidades de reconstruir as propriedades do sistema mesmo na presença de ruído. Os resultados mostram que os métodos conseguem inferir com boa acurácia as características da interação sistema–reservatório, reduzindo o número de medições necessárias e demonstrando o potencial da aprendizagem de máquina na caracterização de sistemas quânticos abertos.

Understanding quantum decoherence is essential for advancing quantum technologies, as it limits the coherence of quantum information systems. In this work, we study Amplitude Damping (AD) and Pure Dephasing (PD) channels described by their spectral density functions J(ω), and apply machine learning to estimate their parameters from synthetic signals. We evaluate Random Forest (RF) and Extreme Gradient Boosting (XGB) models, testing their ability to reconstruct system properties under noisy conditions. The results show that both methods accurately infer system–bath interaction characteristics while reducing the number of required measurements, demonstrating the potential of machine learning for characterizing open quantum systems.