Hardware Co-Designed Optimal Control for Programmable Atomic Quantum Processors via Reinforcement Learning
Questo lavoro presenta un framework di controllo quantistico intelligente co-progettato con l'hardware che, integrando modelli matematici delle imperfezioni dei dispositivi fotonici e utilizzando un apprendimento per rinforzo differenziabile end-to-end, supera i limiti degli approcci tradizionali per realizzare operazioni a gate quantistici paralleli ad alta fedeltà e robuste su processori atomici scalabili.