量子门的保真度对物理控制参数中的微小偏差非常敏感。然而，通常很难精确建模一组用户自定义参数下所实现的哈密顿量，因此需要在设备上进行校准。该研究提出了一种基于高斯过程代理模型的贝叶斯优化的主动学习框架，用于寻找最优参数集。研究人员通过对实现囚禁离子 Mølmer Sørensen 门的激光振幅和频率进行数值校准，验证了这一技术。研究表明，高斯过程可以模拟哈密顿动力学。加入主动学习后，可加速发现最优参数集，其速度和最终保真度取决于数据的量子投影噪声。这些结果确立了主动学习和代理模型在量子校准与控制中的实用性。
作者单位：
VIP可见
页数/图表：
登录可见
提交arXiv：
2026-07-01 00:17
