关键词：量子多体控制，强化学习，张量网络，伊辛模型



论文标题：Self-correcting quantum many-body control using reinforcement learning with tensor networks

论文来源：Nature Machine Intelligence

原文链接：https://www.nature.com/articles/s42256-023-00687-5


量子多体控制是量子技术应用的一个重要里程碑，然而，随着量子比特数量的增加，希尔伯特空间维度也呈指数级增长，这使得对量子多体系统进行经典模拟，进而设计出可靠、稳健的最优控制协议变得十分困难。
文章提出了一种基于强化学习（reinforcement learning, RL）的量子多体系统高效控制框架。利用矩阵乘积状态来表示多体状态，同时作为强化学习主体的可训练机器学习架构的一部分，从而解决量子控制问题。
该框架适用于准备量子伊辛链的基态，包括临界区的状态。它能控制比纯神经网络架构大得多的系统，同时保留深度学习算法的优势，如可泛化性和对噪声的可训练鲁棒性。特别地，本文证明了强化学习主体能够找到通用控制，能够学习如何优化引导以前未见过的多体状态，并且能够在量子动力学受到随机扰动时即时调整控制协议。

图1 本文分析的量子伊辛模型基态相图中的多体控制研究。通过训练，强化学习主体可以从随机初始状态制备横向场伊辛模型的基态（控制研究A，品红色）；从一类PM基态制备Z偏振积态（控制研究B，绿色）；以及从相互作用强度相反的PM基态制备混合场伊辛模型临界区的基态（控制研究C，青色）

此外，作者团队还尝试将强化学习框架映射到一种混合量子-经典算法上，该算法可在有噪声的中等规模量子设备上执行，并在存在实验相关噪声源的情况下对其进行测试。

图2 QMPS电路框架和通用四量子比特控制

编译｜董佳欣

AI+Science 读书会



详情请见：
人工智能和科学发现相互赋能的新范式：AI+Science 读书会启动



推荐阅读

‍1. 前沿进展：借鉴量子多体纠缠，开发高效无监督学习算法
2. Science：机器学习解决量子多体问题
3. 重磅Science论文：用人工神经网络解决量子多体问题
4. 张江：第三代人工智能技术基础——从可微分编程到因果推理 | 集智学园全新课程
5. 《张江·复杂科学前沿27讲》完整上线！
6. 加入集智学园VIP，获得20周年“涌现”学术年会入场券！
7. 加入集智，一起复杂！


点击“阅读原文”，报名读书会