量子科技中心_量科网

量子纠错对容错量子计算至关重要。但依赖主动测量的标准方法可能引入额外误差。自主量子纠错（AQEC）通过利用玻色系统中的工程耗散和驱动规避了这一问题，然而由于苛刻的尼尔斯-拉弗拉姆条件，寻找实用编码方案仍具挑战性。该研究工作采用课程学习驱动的深度强化学习，在近似自主量子纠错框架下发现了可同时抵抗单光子和双光子损耗的玻色编码方案。研究人员提出了近似条件下求解主方程的解析方法，可显著加速强化学习的训练过程。智能体首先在受限的演化时间内通过快速探索识别出超越盈亏平衡点的编码子空间，继而通过策略性微调使其在更长时间尺度上保持性能优势。研究发现，经过两阶段训练的智能体能发现最优码字组合——在同时考虑单光子和双光子损耗效应时，该工作确定福克态|4⟩和|7⟩为最佳编码。实验表明，该发现编码在更长演化时间内超越盈亏平衡阈值，并达到当前最优性能。该团队还分析了编码对相位阻尼和幅度阻尼噪声的鲁棒性。这项研究凸显了课程学习驱动的深度强化学习在探索最优量子纠错编码方面的潜力，尤其适用于早期容错量子系统。