用于纯态系综生成的随机薛定谔扩散模型

基于摘要分析。该研究面向量子机器学习（QML）中的量子纯态系综生成，提出 Stochastic Schrödinger Diffusion Models（SSDMs），直接在量子表示空间采样新纯态，而非扰动经典输入后重新进行量子态编码。其核心贡献是在具有 Fubini–Study（FS）度量的复射影空间上构建内禀分数生成框架，并设计不依赖解析转移密度的训练目标。 方法针对复射影空间 CP^{d-1} 的非欧几里得几何及转移密度难以求解的问题，以随机薛定谔方程（SSE）实现前向黎曼扩散，再推导由黎曼分数 ∇FS log p_t 驱动的反向时间动力学。训练采用局部时间目标：在 FS 法坐标中以局部欧几里得 Ornstein–Uhlenbeck 过程近似扩散，得到解析教师分数后映射回流形。值得核对的技术重点是局部近似的适用范围、教师分数映射的具体实现，以及训练与反向采样之间的一致性。 作者报告，在其纯态系综生成实验中，SSDMs 能够捕捉目标系综统计特征，评估涉及可观测量矩、overlap-kernel MMD 与纠缠度量；作者还报告，生成的量子表示可通过表示级数据增强改善下游 QML 泛化。摘要未给出具体任务、数据集、划分、对照基线或数值，因此目前不能判断收益幅度与适用条件；实验协议、消融及统计信息尚未验证。 研究的主要对象是量子纯态表示，并非 EEG 或 BCI。其几何结构与量子编码前提不能直接视为普通神经信号的性质；材料尚不足以建立具体的 EEG 迁移路径，不据此提出 BCI 效果判断或复现实验建议。已有 EEG 相关工作尚未检索确认。