使用张量交叉插值的基态性质反馈式学习

基于摘要分析。本文研究多体量子物理中基态性质随模型参数变化的高成本评估问题，提出以 tensor cross interpolation（TCI，张量交叉插值）驱动的主动学习闭环，通过自适应查询与插值构建代理模型，减少探索参数空间所需的昂贵评估。 核心机制是将量子处理器视为高成本查询源，由经典端的 TCI 选择信息量较高的参数点进行查询，再利用查询结果重建其余参数区域的性质。研究的主要对象是量子模型的参数空间与基态性质，而非神经信号或 BCI 解码；摘要没有提供独立的 EEG 方法或对应验证。 评估采用 transverse-field XY model，任务是学习其相图上的能隙。作者报告，TCI 会自主将采样预算集中到基态性质结构更复杂的临界相边界附近；在这些区域、相同采样预算下，其准确性高于标准回归基线。摘要未给出具体误差指标、提升幅度、采样预算、参数空间规模或基线名称，因此不能据此判断全参数区域的优势，也不能量化可扩展性。 复现时需核对查询源的具体实现、参数空间离散方式、TCI 的自适应选择与停止条件、参考能隙的计算方式，以及回归基线的训练和评估设置。实验协议、消融及统计信息尚未验证。作者将该框架定位于早期容错量子计算阶段的材料发现；当前摘要不足以建立其与 EEG/BCI 的具体机制对应关系，因此不延伸提出迁移效果或复现实验建议。