量子科技中心_量科网

对复杂量子系统的高质量控制是实现实用量子技术的关键。然而，量子态空间的指数级增长和现实实验条件带来的挑战阻碍了研究进展。对此，该研究团队提出了一种人工智能框架，可学习为多体自旋系统的优化量子控制设计脉冲序列，为理论驱动方法提供了强有力的替代方案。该框架结合定制化树搜索、神经网络滤波和数值模拟引导，仅需桌面级计算资源和最小化实验输入即可驾驭高度非线性的优化空间——其目标函数设置为保持相干性（量子信息处理的关键前提条件）。该工作识别出900多个高性能序列，这些序列展现出反直觉结构，对长期存在的设计原则提出了挑战，而传统优化方法难以发现此类解。在金刚石自旋系综实验中，人工智能设计的最佳序列实现了超过200微秒的相干时间，较最先进基准提升100%，逼近温度限制下的理论极限。除自旋相干保持外，该框架可通过修改目标函数和整合适当训练数据灵活扩展。这项工作彰显了人工智能驾驭复杂量子多体动力学的潜力，标志着向数据驱动序列设计范式转变的开端，其应用范围可广泛覆盖自旋量子技术及其他领域。