基于代理模型优化的纠缠门标定主动学习

量子门的保真度对物理控制参数的小偏差非常敏感。不幸的是，对于一组用户定义的参数，通常难以精确建模所实现的哈密顿量，因此需要进行设备上的标定。在此，我们提出了一种基于贝叶斯优化的主动学习框架，使用高斯过程代理来寻找最优参数集。我们通过对实现囚禁离子 M{\o}lmer S{\o}rensen 门的激光振幅和频率进行数值标定来验证该技术。我们表明，高斯过程可以建模哈密顿量动力学。主动学习的加入加速了最优参数集的发现，其速度和最终保真度取决于数据的量子投影噪声。这些结果确立了主动学习和代理模型在量子标定与控制中的实用性。