基于神经网络随机预测增强的量子态制备

在追求增强神经网络预测能力的过程中，创建涵盖多样化样本的数据集一直是一个长期目标。其目的是拓宽神经网络的视野，并在训练过程中不断争取改进预测精度，而这作为最终的评估指标。在本文中，我们探索了一条通过利用神经网络的知识盲点来增强算法有效性的有趣途径。我们的方法围绕一种用于半导体双量子点系统中制备任意量子态的机器学习算法展开，该系统具有高度受限的控制自由度。通过利用神经网络生成的随机预测，我们能够引导优化过程逃离局部最优。值得注意的是，不同于先前采用强化学习来识别脉冲模式的方法，我们采用了类似于监督学习的训练方式，最终用它来动态设计脉冲序列。该方法不仅简化了学习过程，还约束了神经网络的规模，从而提高了算法效率。