点击购买,资源将自动在新窗口打开.
获取独家产品信息,尽享促销优惠!立即订阅,不容错过
* 限···时··优惠
量子计算系统的高精度操作必须对量子硬件中的不确定性和噪声具有鲁棒性。我们表明,通过在不确定性(或噪声)和控制之间进行博弈,可以生成对抗性不确定性样本,以通过搜索纳什均衡来找到高度鲁棒的控制。我们提出了一个广泛的对抗性学习算法系列,即 a-GRAPE 算法,其中包括两种有效的学习方案,在博弈论术语中称为最佳响应方法和更好响应方法,为学习高度鲁棒的控制提供了选择。数值实验表明,保真度和鲁棒性之间的平衡取决于所选对抗性学习算法的细节,这可以有效地显着增强控制鲁棒性,同时实现高保真度。
主要关键词