量智信息中心_量科网

传统量子控制依赖一种迭代的"模拟-再优化"范式，其中动态仿真与控制设计相互解耦，导致计算开销巨大且可扩展性有限，尤其在噪声环境中更为突出。本文提出了一种基于长短期记忆网络的端到端量子控制框架，在低维隐空间中联合学习系统动态与控制策略。该模型通过单次前向传播，直接将初始状态与环境参数映射为动态轨迹和优化控制脉冲。该框架在二能级系统的绝热加速和噪声下的一维自旋链态转移中进行了验证，实现了精确的动态预测与控制优化。与传统的迭代方法相比，该方法在两项任务中均提升了保真度，并将优化成本降低了三个数量级，同时展现出对多参数时变噪声、不同初始状态以及驱动场的强泛化能力。该工作引入了一种基于隐空间学习的数据驱动控制范式，减轻了迭代优化的计算瓶颈，为实现复杂开放量子系统的实时自适应控制提供了可能。