基于群论强化学习的动力学解耦序列设计
量子物理
2025-12-17 v1 机器学习
系统与控制
系统与控制
摘要
动力学解耦旨在通过施加精心设计的准瞬时电磁脉冲序列来缓解量子比特的相位退相干。虽然在特定噪声条件下最优脉冲时序的解析解已经存在，但在真实噪声谱中识别最优时序仍然具有挑战性。我们提出了一种基于强化学习（RL）的方法来设计量子比特上的脉冲序列。我们新颖的动作集使 RL 智能体能够高效地导航这个本质上非凸的优化景观。该动作集源自 Thompson 群 ，适用于状态可表示为有界序列的广泛序贯决策问题类别。我们证明我们的 RL 智能体可以在不需要底层噪声谱显式知识的情况下学习最小化退相干的脉冲序列。这项工作为在退相干受限的量子比特上实时学习最优动力学解耦序列打开了可能性。我们算法的无模型特性表明，智能体最终可能在存在未建模物理效应（如脉冲误差或非高斯噪声）的情况下学习最优脉冲序列。
引用
@article{arxiv.2512.13890,
title = {Group-Theoretic Reinforcement Learning of Dynamical Decoupling Sequences},
author = {Charles Marrder and Shuo Sun and Murray J. Holland},
journal= {arXiv preprint arXiv:2512.13890},
year = {2025}
}