Learning in quantum control: High-dimensional global optimization for noisy quantum dynamics

کنترل کوانتومی برای فن آوری های مختلف کوانتومی مانند دروازه های با وفاداری بالا برای محاسبات کوانتومی جهانی، مترولوژی پیشرفته کوانتومی انطباق و دستکاری اتمسفر فوق العاده سرد ارزشمند است. اگرچه به منظور کنترل پارامترهای کنترل در سیستم های کلاسیک به طور گسترده ای مورد استفاده قرار می گیرد، کنترل کوانتومی برای بهینه سازی پارامترها عمدتا از طریق الگوریتم های حریصانه مبتنی بر شیب، دنبال می شود. اگرچه چشم انداز تناسب اندام کوانتومی اغلب با الگوریتم های حریص سازگار است، گاهی اوقات الگوریتم های حریص نتایج بدی به خصوص در سیستم های بزرگ کوانتومی تولید می کنند. ما الگوریتم های تکاملی دیفرانسیل را برای رفع مشکل رکود بهینه سازی غیر محدب استفاده می کنیم. ما به وسیله به طور متوسط ​​بر عملکرد تابع هدف، کنترل وفاداری کوانتومی را برای سیستم های پر سر و صدایی بهبود می دهیم. برای کاهش هزینه های محاسباتی، ما اکتشافات را برای خاتمه زود هنگام اجرا و برای انتخاب سازگار از زیرپوشش جستجو معرفی می کنیم. پیاده سازی ما به طور گسترده ای موازی است و به منظور کاهش زمان اجرا حتی بیشتر می شود. ما روش های ما را با دو مثال، یعنی تخمین فاز کوانتومی و طراحی دروازه کوانتومی نشان می دهیم، که برای آن ما به وفاداری و مقیاس پذیری برتر دست می یابیم تا با استفاده از الگوریتم های حریص به دست آید.