基于增量更新深度强化学习的里德伯门智能最优控制
量子物理
2026-05-07 v1
摘要
深度强化学习 (DRL) 作为一种新颖且强大的量子最优控制范式，为推进中性原子量子计算提供了变革性机遇。在本工作中，我们从理论上证明了一个基于 DRL 的框架，该框架通过同步调制多个脉冲参数，在没有任何先验启发式拟设的情况下，实现了兼具高速度和高保真度的里德伯受控非门。通过引入增量更新学习策略，我们的框架有效地对控制景观的探索进行了正则化，确保生成平滑且实验上可行的脉冲分布，同时与常规方案相比显著降低了计算开销。关键的是，该框架通过最优地协调操作速度与高精度相干控制，自主发现了一种提前截断策略。我们优化的协议实现了 0.9991 的峰值平均保真度，显著优于常规方法并超越了关键的容错阈值。本工作建立了一条可泛化的、AI 驱动的高性能量子门设计途径，并为跨多种量子比特平台的自主控制场优化提供了稳健范式。
引用
@article{arxiv.2605.04628,
title = {Intelligent Optimal Control of Rydberg Gates with Incremental-Update Deep Reinforcement Learning},
author = {Yue Cai and Hanlin Zhang and Keye Zhang and Jing Qian},
journal= {arXiv preprint arXiv:2605.04628},
year = {2026}
}