量子科技中心_量科网

在量子计算机上实现量子门操作需要应用精确设计的脉冲以实现高保真度运算。该研究团队探索了基于物理信息的神经网络（PINN）在量子最优控制中的应用，以评估其在预测此类脉冲方面的实用性。研究提出的PINN是一种采用无监督学习方式的前馈神经网络，其损失函数包含三个关键项：强制执行量子系统演化方程、衡量学习到的酉矩阵与目标酉操作的接近程度、以及确保状态归一化的约束项。 该工作采用正弦激活函数，并针对该激活函数设计了方差型权重初始化方法。通过重要机器学习指标分析模型性能，研究人员证明了所选架构非常适用于此类问题。相关设计选择有效避免了梯度消失和爆炸问题。团队构建了两种不同的PINN模型：一个基于薛定谔方程，另一个基于Lindblad方程。实验表明，这两种神经网络均能针对多种量子运算发现高保真度的双量子门脉冲，展现了该方法的灵活性和鲁棒性。值得注意的是，该研究在文中两次强调了PINNs模型在不同量子操作中展现出的优异性能。