基于深度强化学习的连续变量光子量子计算中的三次与四次相位门的近确定性制备
量子物理
2026-05-13 v2 机器学习
摘要
三次相位态是连续变量通用量子计算的充分资源。本文报告了利用深度神经网络通过强化学习训练以控制量子光路实现三次相位态生成的数值实验结果，平均成功率达96%。唯一需要的非高斯资源为光子数分辨测量。我们还展示，完全相同的资源即可直接生成四次相位门，无需三次门分解。
引用
@article{arxiv.2506.07859,
title = {Deep reinforcement learning for near-deterministic preparation of cubic- and quartic-phase gates in photonic quantum computing},
author = {Amanuel Anteneh and Léandre Brunel and Carlos González-Arciniegas and Olivier Pfister},
journal= {arXiv preprint arXiv:2506.07859},
year = {2026}
}