🔬 optics

Arbitrary state preparation in quantum harmonic oscillators using neural networks

本文提出了一种基于神经网络的方法，该方法能够实现对耦合辅助比特的谐振子中任意高维量子态的快速、非迭代制备，通过将目标态直接映射到激光控制参数，从而实现高保真度。

原作者： Nicolas Parra-A, Vladimir Vargas-Calderón, Herbert Vinck-Posada

发布于 2026-06-29

📖 1 分钟阅读☕ 轻松阅读

原作者： Nicolas Parra-A, Vladimir Vargas-Calderón, Herbert Vinck-Posada

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象你拥有一个非常精细、隐形的音乐仪器，叫做量子谐振子（Quantum Harmonic Oscillator）。你可以把它想象成一个微小的、完美的钟，可以在不同的能量层级上振动。在量子计算的世界里，我们希望以非常特定且复杂的方式来“敲响”这口钟，以存储信息。这些模式被称为量子态（quantum states）。

问题在于，想要完全按照你的意愿去敲响这口钟是非常困难的。通常情况下，如果你想要一个新的模式，你必须花费数小时甚至数天的时间来计算出完美的敲击序列才能达到目标。这就像是通过不断猜测频率来试图调准收音机，以便听每一首不同的歌。

核心理念：一个“神奇”的预测器
这篇论文介绍了一种使用人工智能（AI）大脑来实现这一目标的新方法，具体来说是一种叫做**神经网络（Neural Network）**的类型。

与其每次都从头开始计算解决方案，研究人员训练了这个 AI 大脑。现在，如果你告诉 AI：“我希望钟以这种特定的模式鸣响”，它能瞬间知道该如何敲击这口钟才能达到目标。它不需要思考或计算；它直接给出答案。

它是如何运作的：DJ 与助手
为了让钟正确鸣响，研究人员使用了一个巧妙的技巧，涉及两个部分：

钟（谐振子）： 我们想要控制的主要乐器。
助手（辅助量子比特/Auxiliary Qubit）： 一个微小的辅助粒子，充当第二个乐器。

他们使用激光来“敲击”这口钟和这个助手。但关键在于，他们并不是随机敲击。他们会非常快速地改变这些敲击的相位（phase）（即时间或节奏），就像 DJ 搓碟，或者指挥家在瞬间改变交响乐团的节奏一样。

AI 的角色是成为指挥家：

输入： 你把乐谱（你想要的目标状态）交给 AI。
输出： AI 会瞬间写出针对钟和助手所需的精确节奏变化和敲击序列。
结果： 钟最终会演奏出你要求的那个音符，而助手则恢复到安静状态。

“训练”与“演奏”的比喻

旧方法（优化/Optimization）： 想象你是一名正在尝试烤制完美蛋糕的厨师。对于每一位新顾客想要的不同蛋糕，你都必须花三个小时测试食材、烘焙、品尝并调整配方。这既慢又昂贵。
新方法（神经网络/Neural Network）： 想象你花了一周时间在厨房里测试了成千上万种食谱，并将它们全部记录在一本巨大的食谱中。一旦食谱完成，如果有人订购蛋糕，你只需查阅食谱，在 10 分钟内就能完成烘焙。你不需要尝试任何新东西。

在这篇论文中，“食谱”就是经过训练的神经网络。“烘焙”则是量子计算机上的实际实验。

他们取得了什么成就？
研究人员在不同尺寸的“钟”上测试了这个 AI “指挥家”：

简单钟（量子比特/Qubit）： 他们能以 99.99% 的准确度使其鸣响。
中等钟（三能级系统/Qutrit）： 他们达到了 99.5% 的准确度。
复杂钟（四能级系统/Qudit, 4 levels）： 他们达到了 98.9% 的准确度。

这些数字非常高，意味着 AI 预测正确敲击方式的能力几乎是完美的。

为什么这意义重大？
主要优势在于速度和效率。

旧方法： 如果你想准备 1,000 个不同的量子态，你可能需要等待数天或数周，因为你必须为每一个状态都解决一个复杂的数学问题。
新方法： 一旦 AI 完成训练，它可以在短短几秒钟内生成 1,000 个不同状态的指令。获取一个新状态的指令仅需约 100 毫秒（眨眼之间）。

局限性
论文指出，这种方法最适用于可以在计算机上进行模拟的系统。随着“钟”变得更加复杂（层级更多），AI 需要变得更大、更聪明，并且需要更多的“练习”（训练数据）才能做得更好。此外，在现实世界中，诸如噪声或不完美的激光等因素可能会使结果比计算机模拟中的结果略逊一筹，但该方法仍然非常有前景。

总结
这篇论文展示了我们可以训练一个 AI 来成为量子乐器的顶级指挥家。我们不再需要每次都费力地去琢磨如何演奏一首新歌，而是通过 AI，我们可以瞬间获得精确的节奏和时机，让量子系统奏响正确的音符，从而让量子计算变得更快、更实用。

技术摘要：利用神经网络在量子谐振子中实现任意态制备

问题陈述
制备特定的量子态是量子算法、量子机器学习和量子模拟的基础前提。虽然存在多种方法可以确定将系统从初始态转换到目标态所需的物理相互作用（例如，Krotov 方法、量子转向、强化学习），但这些方法通常需要为每个单独的目标态求解一个独立的优化问题。对于需要针对许多不同目标进行快速或重复状态制备的应用（如量子机器学习），这种针对单个实例的优化在计算上是难以承受的。此外，解析技术通常会为每个目标产生不同的方程，这限制了它们的实用性。本研究解决的具体挑战是在 $n$ 维系统（qudits）中制备任意态，该系统通过截断的量子谐振子（HO）实现，而该系统在没有辅助相互作用的情况下，在有限步内无法实现完全可控。

方法论
作者提出了一种通用的方法，利用前馈神经网络来预测耦合了辅助比特的谐振子（HO）的控制参数。该系统被建模为 Jaynes–Cummings 型相互作用，其中谐振子和比特都由具有随时间变化的相位调制的激光器驱动。

物理模型： 系统在哈密顿量下演化，其中比特与谐后通过耦合常数 $g$ 相互作用。控制由包含 $N$ 个脉冲的序列组成，脉冲具有分段常数相位（ $\phi_i$ 为谐振子相位， $\varphi_i$ 为比特相位）和切换时间（ $t_i$ ）。假设振幅恒定且相等。目标是将初始态 $|0, 0\rangle$ 演化到在截断的 $n$ 能级流形内，谐振子处于期望目标态 $|\psi_{target}\rangle$ 的可分态。
神经网络架构： 网络接收目标态作为输入，并输出控制参数 $\Theta = \{\phi_i, \varphi_i, t_i\}$ $Θ = {ϕ_{i}, φ_{i}, t_{i}}$ 。
- 输入表示： 目标态被编码为 $SU(n) $基底中$ d = n^2 - 1$ 个生成元的期望值。
- 输出： 网络预测由 $N$ 个脉冲组成的相位和切换时间序列。
训练流水线： 使用随机梯度下降对网络进行训练，以最小化在从 Haar 测度中采样的随机目标态数据集上的平均保真度损失（ $1 - F$ ）。保达度定义为目标态与从最终演化态中追踪掉比特自由度后的状态之间的重叠度。
核心区别： 与传统的寻找特定目标参数的迭代式最优控制方法不同，该框架将计算负担转移到了一次性的离线训练阶段。一旦训练完成，网络只需进行单次前向传播即可为任何新的目标态生成控制参数。

主要贡献与结果
论文展示了使用所提议的神经网络方法在制备量子比特（ $n=2$ ）、量子三比特（ $n=3$ ）和量子四比特（ $n=4$ ）中任意态的数值结果。

性能指标： 该方法在 1000 个随机 Haar 分布的目标态上实现了高平均保真度：
- 量子比特 ( $n=2$ )： 使用 $N=9$ 个脉冲，保真度为 99.99%（失真度为 0.01%）。
- 量子三比特 ( $n=3$ )： 使用 $N=11$ 个脉冲，保真度为 99.5%（失真度为 0.5%）。
- 量子四比特 ( $n=4$ )： 使用 $N=13$ 个脉冲，保真度为 98.9%（失真度为 1.1%）。
脉冲序列分析： 研究证实，增加脉冲数量通常会降低失真度，尽管存在一个最优点，超过该点后增加脉冲带来的收益递减。学习到的相位切换模式是非平凡的，并不遵循简单的解析规则，这表明网络学习了复杂的控制策略，以补偿累积误差。
可视化： 对于量子比特，布洛赫球上的轨迹显示，早期的脉冲可能会将系统驱动到中间态，偏离目标态，然后再通过最后的脉冲使轨迹对齐。对于量子三比特和量子四比特，Wigner 函数分析表明，网络成功地重现了目标态的主要相空间支撑和非经典结构（例如干涉图样和负区域），包括编码在振荡器子空间中的 Bell 态。

意义与主张
作者声称，这项工作为“按需”状态制备提供了一个切实可行的解决方案。主要优势在于消除了针对每个实例进行优化的过程，将在线推理时间缩短至标准 CPU 上的约 100 毫秒。这与迭代式最优控制方法（如 Krotov 或 GRAPE）形成鲜明对比，后者针对每个目标态可能需要数分钟甚至数小时。

论文强调，该方法特别适用于需要快速将信息编码进量子态的情景，例如目标态随输入不断变化的量子机器学习工作流。该方法基于 Jaynes–Cummings 动力学在截断流形内的理论可控性（Pinna 和 Panati），确保预测的协议符合模型约束下的物理可制备态。

局限性与未来方向
作者谦虚地指出，观察到的失真度随维度 $n$ 的增加而上升，反映了映射复杂度的增加，这在理论上可以通过增加网络规模和脉冲数量来缓解。然而，一个更根本的约束是利用经典模拟生成训练数据的成本，其随希尔伯特空间维度的增长呈劣势缩放。论文承认，对于较大的维度（例如需要数十或数百个能级的玻色编码），直接模拟可能会成为瓶颈，因此需要未来的策略，如张量网络或硬件在环训练。此外，当前结果假设了理想条件；未来的工作必须处理开放系统动力学、退相干以及硬件特定的非理想特性（例如有限带宽、相位抖动），以确定该方法在实验环境中的鲁棒性。

技术摘要：利用神经网络在量子谐振子中实现任意态制备

类似论文