基于弱非线性测量的深度强化学习量子态制备
量子物理
2022-06-30 v3
摘要
近年来量子控制日益受到关注，例如用于态初始化与稳定化等任务。基于反馈的策略尤其强大，但也因搜索空间呈指数增长而难以寻找。深度强化学习在这方面大有前景，它可能为解决诸如非线性测量能否弥补线性受限控制等难题提供新答案。本文表明，强化学习无需先验知识即可成功发现此类反馈策略。我们以腔中在光子数量子非破坏探测下、以简单线性驱动为控制的态制备为例加以说明，能够极高保真度地产生并稳定 Fock 态。只要不同 Fock 态的测量速率也可受控，甚至可以达到叠加态。
引用
@article{arxiv.2107.08816,
title = {Deep Reinforcement Learning for Quantum State Preparation with Weak Nonlinear Measurements},
author = {Riccardo Porotti and Antoine Essig and Benjamin Huard and Florian Marquardt},
journal= {arXiv preprint arXiv:2107.08816},
year = {2022}
}
备注
11 pages, 7 figures