量子科技中心_量科网

研究人员提出HAML（基于元学习的哈密顿量自适应）框架，用于超导量子处理器有效哈密顿模型的快速在线适配。该框架分两阶段运作：监督训练阶段通过模拟设备集合学习从控制输入和设备参数到有效哈密顿系数的离线映射；在线适配阶段则利用少量硬件可测数据识别新器件的未知参数。通过直接针对从全多模仿真中提取的有效双量子位系数进行训练，该方法隐式实现了从全多模哈密顿量到有效量子位描述的约简，无需借助微扰理论。该工作进一步证明，采用方差最大化的贪心测量配置选择策略可提升在线适配效率。研究团队在transmon耦合器系统中验证了HAML的性能，在包括施里弗-沃尔夫微扰理论失效参数区在内的广泛工作区间内，成功恢复了有效双量子位系数。这项研究为近期量子处理器建立了可扩展、样本高效的哈密顿量约简与表征方法，对校准、控制和误差缓解具有直接应用价值。