机构名称：
¥ 1.0
量子控制在量子计算机的实际应用中起着不可替代的作用。然而，要找到更合适、更多样化的控制参数，必须克服一些挑战。我们提出了一种有前途且可推广的基于平均保真度的机器学习启发式方法来优化控制参数，其中使用具有周期性特征增强的神经网络作为拟设。在通过逆向工程实现猫态非绝热几何量子计算的单量子比特门时，与简单形式的三角函数控制参数相比，我们的方法可以产生保真度明显更高（> 99.99%）的相位门，例如π/ 8门（T门）。单量子比特门对系统噪声、加性高斯白噪声和退相干具有很强的鲁棒性。我们用数字证明了神经网络具有扩展模型空间的能力。借助我们的优化，我们提供了一种在玻色子系统中实现高质量级联多量子比特门的可行方法。因此，机器学习启发的方法在非绝热几何量子计算的量子最优控制中可能是可行的。
通过逆向工程实现机器学习启发的非绝热几何量子计算的量子最优控制
主要关键词
相关文件推荐
