潜在动力学流形上量子控制的端到端学习

传统量子控制依赖于迭代的“先模拟后优化”范式，其中动力学模拟与控制设计相互解耦，导致巨大的计算开销和有限的可扩展性，尤其在噪声环境中更为明显。在此，我们提出一种基于长短期记忆的端到端量子控制框架，其中系统动力学与控制策略在低维潜在流形中被联合学习。该模型在单次前向传播中，将初始状态与环境参数直接映射至动力学轨迹与优化后的控制脉冲。该框架在两能级系统的绝热加速及噪声下一维自旋链的状态转移任务上得到验证，实现了精确的动力学预测与控制优化。它提升了两个任务的保真度，且与传统迭代方法相比将优化成本显著降低了三个数量级，同时对多参数时变噪声以及不同的初始状态和驱动场展现出强泛化能力。我们的工作引入了一种基于潜在流形学习的数据驱动控制范式，减轻了迭代优化的计算瓶颈，并实现了复杂开放量子系统的实时自适应控制。