量子科技中心_量科网

该研究团队应用灰箱机器学习框架对量子比特在马尔可夫与非马尔可夫环境噪声下的动力学进行建模与控制。该方法将物理信息方程与基于自注意力机制的轻量级Transformer神经网络相结合，通过仿真数据训练模型，学习到能准确预测观测量（包括存在记忆效应时）的有效算子。研究人员分别以非高斯随机电报噪声和高斯奥恩斯坦-乌伦贝克噪声作为基准，即使在最具挑战性的噪声耦合条件下仍实现了较低预测误差。通过将该模型作为动力学模拟器，该工作采用基于梯度的最优控制方法，成功实现了通用单量子比特门操作脉冲序列的优化设计：在最低耦合强度下保真度超过99%，最高耦合强度下仍能保持90%以上水平。