基于深度强化学习的临界态准备

快速高效地准备量子临界态是众多量子技术面临的挑战性且关键性的任务。这种困难尤其体现在靠近量子相变的系统中，此时能隙的闭合从根本上限制了adiabatic过程的 timescales，从而排除了快速态准备的可能性。我们提出一种利用深度强化学习（DRL）快速准备量子临界态的框架，具有广泛的可扩展性，可适用于光-物质相互作用系统。具体而言，DRL 智能体优化一组时变控制哈密顿量，以在有限时间内且在可实验可达的参数范围内，将系统从初始非临界态驱动到目标临界态。作为具体应用，我们聚焦于量子 Rabi 模型。DRL 优化的时变控制哈密顿量产生的最终态对目标临界态的保真度高于 $0.999$。该协议可轻易扩展到其他由光-物质相互作用模型描述的量子临界系统，例如量子 Dicke 模型。这项调查提供了一个强大的新框架，用于准备和操控量子临界态。