基于物理信息神经网络的单量子比特门演化级量子最优控制

量子门设计通常表示为脉冲优化，尽管实现门的物理对象是由脉冲产生的完整受控演化。在这里，我们使用物理信息神经网络在这个演化级别上表示单量子比特门设计：控制场、布洛赫态轨迹和总持续时间在布洛赫方程下一起学习。这将优化对象从脉冲幅度改变为可微分物理过程，其结构可以被检查和细化。对于旋转门，优化演化恢复了有界单量子比特控制所期望的物理组织，无需预设脉冲拟设或持续时间扫描。对于几何门，该表示识别了维持几何条件的局部瓶颈，并将这种诊断转化为反馈，在保持高保真度的同时减少残余路径误差。因此，物理信息学习不仅用于合成门，还使优化的量子控制变得物理可读、可诊断和可局部细化。这种过程级视图可能特别适用于使门适应硬件特定、任务特定和局部变化的实验约束。