Reducing the Cost of Qudit State Preparation by Learning a Sparse Structure for SNAP Gates
本文提出了一种利用带有稀疏惩罚项和温度退火的可微掩码，来同时学习 SNAP 门相位之最优值与稀疏位置的方法，从而在保持与全参数化或预定义稀疏方法相比具有竞争力的保真度-资源权衡的同时，降低了高维量子态制备的控制复杂度。
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
在那些正在建造下一代计算机的、寂静且超低温的实验室里，科学家们正试图解决一个规模化的问题。传统计算机使用比特（bits），它们就像微小的开关，要么是关，要么是开。但量子计算机使用量子比特（qubits），它们可以同时存在于两种状态的混合之中，从而能够以经典机器无法实现的方式处理信息。为了让这些机器变得更加强大，研究人员正在研究一种被称为“qudit”的变体。qudit 不仅仅有两个状态，它可以同时持有许多不同的能量层级，就像钢琴键按下可以产生单个音符一样，但在这种情况下，“键”是一个可以容纳特定数量粒子（称为光子）的容器。通过使用这些多层级的容器，科学家们希望将更多信息压缩到更少的物理设备中，使量子电路变得更简单、更高效。
然而，准备这些复杂的量子态是非常困难的。为了将一个 qudit 设置为计算所需的精确配置，研究人员必须应用一系列精确的操作。最常用的方法之一涉及一个两步走的舞步：先移动能量，然后调整构成该状态的波的定时。第一步被称为“位移”（displacement），它会移动能量层级。第二步使用一种被称为 SNAP 门的专门工具，对每个能量层级施加一个独特的时延，即“相位”（phase）。挑战在于，对于一个拥有许多层级的 qudit 而言，为了达到理想状态所需的这些时延数量会呈爆炸式增长。如果研究人员试图独立控制每一个层级，系统就会变得极其复杂，以至于所需的控制信号变得冗长、难以校准且容易出错。这就像是在试图调音一个庞大的管弦乐团，而每位乐手都需要一个独特且不断变化的指令；乐手越多，你就越难让他们保持同步而不出错。
为了解决这个问题，意大利米兰理工大学的一个研究小组开发了一种新方法，来教计算机哪些指令实际上是必要的。他们没有尝试控制每一个可能的时间延迟，也没有固守于一种僵化的、预设的控制模式，而是创建了一个具有学习能力的系统。他们从一个已知的、高效的控制模式开始，然后添加了一层起着“智能过滤器”作用的“学习”层。这个过滤器会在训练过程中决定哪些特定的时间延迟对当前任务有用，而哪些可以被忽略。该系统使用了一种称为“温度退火”（temperature annealing）的技术，这类似于缓慢冷却熔融金属，使其凝固成坚固、稳固的形状。起初，系统是“热”的且具有灵活性，允许它探索许多可能性。随着它逐渐冷却，它会做出明确的决策，将灵活的过滤器转变为一个严格的“开或关”开关，仅保留核心的控制。
研究人员使用两种不同类型的目标态——一种是高度结构化且规则的，另一种是完全随机的——对这种学习方法进行了测试。他们在计算机上模拟了这个过程，以观察达到高精度水平需要多少个时间延迟。结果显示，对于结构化、规则的态，这种学习方法明显更加高效。在某些情况下，它在不牺牲最终状态准确性的前提下，将所需的控制数量减少了近一半，与现有的最佳方法相比。例如，当处理一个拥有 32 个层级的系统时，新方法仅需 81 个控制即可达到特定的高精度目标，而之前最好的方法则需要 152 个。这种减少至关重要，因为更少的控制意味着更短、更简单的信号，从而降低了在真实机器中失效的可能性。
然而，这种优势并非普遍适用。当研究人员在随机、混沌的态上测试该方法时，结果更为复杂。虽然学习方法在某些情况下表现良好，但它并未在所有场景下都一致地胜过旧有的固定模式。这表明，通过学习保留哪些控制来获得益处，很大程度上取决于所处理信息的特定类型。这项研究证实，虽然僵化的、预定义的控制模式通常已经足够好，但一个能够学习并剪除不必要复杂度的系统，为构建更高效的量子计算机提供了清晰的路径。这项工作并不声称已经完全解决了量子控制问题，但它证明了教机器对其自身指令进行筛选，可以带来显著的资源节省，使实现实用化量子计算的梦想离现实又近了一步。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。