基于深度强化学习的任意量子态准备
量子物理
2024-07-24 v1
摘要
量子态的准备是量子信息处理领域的关键环节，高效的方法能显著减轻量子资源的压力。在深度强化学习（DRL）框架内，我们将初始态与目标态信息整合于量子态准备任务中，以实现两个任意量子态之间的控制轨迹设计。利用半导体双量子点（DQDs）模型，我们的结果表明，所获得的控制轨迹能够有效实现单量子位和双量子位系统的任意量子态准备（AQSP），分别在测试集上的平均保真度为0.9868和0.9556。此外，我们考虑了系统中的噪声，控制轨迹对电荷噪声和核噪声具有很好的鲁棒性。我们的研究不仅证明了DRL在量子态准备中有效性，还为解决更广泛的量子控制问题（包括多初始态和多目标态）提供了新方法，预计可拓展至更广泛的量子控制领域。
引用
@article{arxiv.2407.16368,
title = {Arbitrary quantum states preparation aided by deep reinforcement learning},
author = {Zhao-Wei Wang and Zhao-Ming Wang},
journal= {arXiv preprint arXiv:2407.16368},
year = {2024}
}