由机器学习增强的光子通用量子门制备

我们引入用于通用量子计算的光子架构。第一步是制备一种资源态，它是前四个 Fock 态的叠加，概率 $\geq 10^{-2}$，较标准顺序光子减法技术提高了 $10^4$ 倍。该资源态由使用位移压缩真空态、干涉仪与光子数分辨探测器的量子小装置以近乎完美的保真度制备。此装置的参量使用变分电路的机器学习算法训练。我们详细讨论了数值实验所得非高斯态制备的各个方面。随后我们提出资源工厂的概念，将这些小装置并行堆叠以进一步提高成功概率。我们发现了工厂的成功概率、误差容忍度与小装置数量之间的权衡。在常规门隐形传态技术中使用该资源态，我们可实现弱可调三次相位门。所开发的数值工具亦可能有益于光子学中的其他应用。