基于傅里叶神经网络的量子控制序列逆向设计

量子最优控制是操纵量子动力学的关键工具，但其计算成本随希尔伯特空间维度的增加而迅速增长。在此，我们介绍一种基于傅里叶神经网络 (FNO) 的框架，用于学习高维分子量子动力学并加速控制协议的逆向设计。给定初始分子布居分布、激光频率和偏振，FNO 预测分子运动布居动力学的速度比使用 CUDA-Q Dynamics 的 GPU 加速数值传播快高达 $10^7$ 倍。利用这种快速且可微的替代模型，我们开发了 FNO 随机脉冲测量规划器 (FNO-SPMP)，它构建脉冲序列以纯化初始混合的玻尔兹曼分布。我们在 20 K 下水合氢分子的 888 维子空间中演示了该协议，实现了 0.98 的目标态布居，序列成功率高达 86.2%。在共享离散控制空间中，FNO-SPMP 的成功率几乎是强化学习基线的两倍，同时使用的量子控制脉冲大约少一半，并将脉冲序列生成时间从大约 10 小时缩短到 10-20 分钟。这些结果表明，算子学习替代模型可以在希尔伯特空间过大而无法进行传统直接优化的量子系统中实现逆向设计。