用深度学习建模量子比特行为，无需精确模型即可优化控制脉冲。
Data-Driven Qubit Characterization and Optimal Control using Deep Learning
- 用RNN学习量子比特对随机脉冲的响应，构建数据驱动模型。
- 在单个ST_0量子比特上实现高保真度门操作，无需系统动力学先验。
- 适合缺乏精确物理模型的量子控制场景，如实验中复杂噪声系统。
量子计算需要优化控制脉冲以实现高保真度量子门。我们提出一种基于机器学习的协议，解决梯度评估和复杂系统动力学建模的挑战。通过训练循环神经网络（RNN）预测量子比特行为，该方法可在无需详细系统模型的情况下实现高效的梯度驱动脉冲优化。首先，在弱先验假设下使用随机控制脉冲采样量子比特动态；随后在观测响应上训练RNN；最后利用训练好的模型优化高保真度控制脉冲。我们在单个ST_0量子比特上通过仿真验证了该方法的有效性。
原文摘要 · Abstract (English)
Quantum computing requires the optimization of control pulses to achieve high-fidelity quantum gates. We propose a machine learning-based protocol to address the challenges of evaluating gradients and modeling complex system dynamics. By training a recurrent neural network (RNN) to predict qubit behavior, our approach enables efficient gradient-based pulse optimization without the need for a detailed system model. First, we sample qubit dynamics using random control pulses with weak prior assumptions. We then train the RNN on the system's observed responses, and use the trained model to optimize high-fidelity control pulses. We demonstrate the effectiveness of this approach through simulations on a single $ST_0$ qubit.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。