基于张量网络强化学习的自校正量子多体控制

量子多体控制是驾驭量子技术道路上的核心里程碑。然而，希尔伯特空间维数随量子比特数指数增长，使得经典模拟量子多体系统颇具挑战，进而难以设计可靠且鲁棒的优化控制协议。在此，我们提出一种基于强化学习（RL）高效控制量子多体系统的新框架。我们通过利用矩阵乘积态（i）表示多体态，以及（ii）作为我们RL智能体可训练的机器学习架构的一部分，来解决量子控制问题。该框架被应用于制备量子伊辛链的基态，包括临界区中的态。它使我们能控制远比仅神经网络架构所允许的系统更大的系统，同时保留深度学习算法（如泛化性与对噪声的可训练鲁棒性）的优势。特别地，我们证明RL智能体能够发现通用控制、学会如何最优地引导先前未见的多体态，以及当量子动力学受到随机扰动时在线调整控制协议。此外，我们将QMPS框架映射为一种可在含噪声中等规模量子设备上执行的混合量子-经典算法，并在存在实验相关噪声源下对其进行了测试。