基于差分驱动强化学习的量子态制备方法

由于两量子比特系统状态空间大,且现有量子态制备方法采用阶梯奖励函数,导致收敛速度慢,在有限条件下难以高保真度地制备所需目标量子态。为解决上述问题,通过改进奖励函数与动作选择策略,提出了一种用于两量子比特系统量子态制备的差分驱动强化学习(RL)算法。首先,针对两量子比特系统量子态制备问题构建模型,并对量子门类型与量子态演化时间加以限制。在制备过程中,设计加权差分动态奖励函数以辅助算法快速获得最大期望累积奖励。随后,采用自适应 ε-greedy 动作选择策略,在一定程度上实现探索与利用的平衡,从而提高最终量子态的保真度。仿真结果表明,所提算法能在有限条件下高保真度制备量子态。与其他算法相比,其在收敛速度与最终量子态保真度上均有不同程度的提升。