量子科技中心_量科网

动力学退耦技术旨在通过施加精心设计的瞬时电磁脉冲序列来减轻量子比特的相位退相干。虽然针对特定噪声机制存在脉冲时序的解析最优解，但在实际噪声谱中识别最优时序仍具挑战性。该研究团队提出了一种基于强化学习（RL）的量子比特脉冲序列设计方法，其创新性动作集使RL智能体能够高效探索这一本质非凸的优化空间。该动作集源自Thompson群F理论，适用于所有状态可表示为有界序列的序贯决策问题。实验证明，该RL智能体无需掌握底层噪声谱的显式知识即可习得最小化退相干的脉冲序列。这项工作为在退相干受限的量子比特上实时学习最优动力学退耦序列开辟了新途径。该算法的无模型特性表明，即使在存在脉冲误差或非高斯噪声等未建模物理效应的情况下，智能体最终仍可能学习到最优脉冲序列。