基于强化学习的自主 Floquet 工程化bosonic 码

Bosonic 码代表了实现连续变量系统量子纠错的有前景的途径，与电路QED和光声学等实验平台直接相关。然而，其准备和稳定化仍高度困难，需要对非线性相互作用进行极精确的控制，以创建纠缠的重叠、抑制退相干并减轻动态误差。本文引入一种基于强化学习的Floquet工程方法，用于自主准备bosonic 码，方法通用、高效且对噪声具有鲁棒性。通过利用机器学习优化Floquet驱动参数，该方法在演化时间上实现了两个数量级的减少——仅需约1%的常规adiabatic方案的时间——同时即使在强烈耗散和失相噪声下也保持高保真度状态生成。该方法不仅展示了人工智能在量子控制中的强大能力，也为实现可扩展且可实验实现的容错bosonic量子计算 establish了一条新路。除针对bosonic码准备外，我们的结果表明，将机器学习与Floquet工程相结合的通用范式可用于克服下一代量子技术中遇到的退相干挑战。