量子科技中心_量科网

深度强化学习（DRL）作为一种新颖且强大的量子最优控制范式，为推进中性原子量子计算提供了变革性机遇。该工作从理论上展示了一种基于DRL的框架，通过同步调制多个脉冲参数，无需任何先验启发式假设，即可实现高速高保真度的里德伯受控非门。通过引入增量更新学习策略，该框架有效规范了控制参数空间的探索过程，确保生成平滑、实验可行的脉冲轮廓，同时相比传统方案显著降低计算开销。关键在于，该框架通过最优平衡操作速度与高精度相干控制，自主发现了一种早期截断策略。优化协议实现了0.9991的峰值平均保真度，显著超越传统方法并突破关键容错阈值。该工作为设计高性能量子门建立了一条可推广的AI驱动路径，并为跨多种量子比特平台的自主控制场优化提供了稳健范式。