基于深度强化学习或遗传算法设计量子态传输控制方案的优势与劣势
量子物理
2026-01-13 v1
摘要
近年来，基于不同优化技术的控制方法为处理信息的多种量子系统提供了新的思路。当探索量子态传输时，更快的传输时间是必需的，以避免来自多种退相干源的有害影响，这些源会破坏传输过程。特别是，使用强化学习来制定分步骤外部控制的序列，可在短传输时间内提供出色的传输策略。我们提出了两种方法，用于通过外部控制来控制量子链中量子态的传输，从而强制链态的动力学演化。第一种方法依赖于众所周知的遗传算法来生成外部控制序列，而第二种方法则使用一种变体的强化学习。遗传算法在如此短的传输时间内实现了优异的传输保真度，超过了后者方法所达到的保真度。然而，由于控制脉冲噪声较大、脉冲时序不完美、控制设备不足或其他相干源，强化学习方法能够提供稳健的控制策略。我们将每种方法最适合控制任意量子态传输的 regime 进行了阐述。
引用
@article{arxiv.2601.06303,
title = {The pros and cons of using deep reinforcement learning or genetic algorithms to design control schemes for quantum state transfer on qubit chains},
author = {Sofía Perón Santana and Ariel Fiuri and Martín Domínguez and Omar Osenda},
journal= {arXiv preprint arXiv:2601.06303},
year = {2026}
}