使用机器学习对极性分子进行量子门控制

科学领域:

• 量子信息科学 量子信息科学
• 分子物理学 分子物理学
• 计算化学的计算化学

背景情况:

• 量子计算需要高可靠性的量子门来实现可靠的操作.
• 超冷极分子由于它们的可控相互作用,为构建量子比特提供了一个有前途的平台.
• 有效的控制策略对于实现分子量子计算至关重要.

研究的目的:

• 提出和演示一个方案,以实现使用超冷极分子的基本量子门.
• 利用深度强化学习 (DRL) 来优化分子量子比特的控制脉冲序列.
• 通过量子电路的模拟来研究基于分子的量子计算的可行性.

主要方法:

• 在被困在电场梯度中的Ytterbium化物 (YbF) 分子中编码量子位.
• 通过双极-双极相互作用合分子量子位.
• 应用时间依赖的控制脉冲并使用马尔科夫决策过程框架与深度强化学习 (DRL) 优化它们.

主要成果:

• 发现了对高保真度的 NOT,控制的 NOT 和 Hadamard 两量子比特门的最佳控制脉冲序列.
• 在发现的门序列下分析了YbF分子的种群动态.
• 通过使用优化的门序列成功模拟了用于纠的量子电路.

结论:

• 深度强化学习 (DRL) 提供了一种有效的方法来设计分子量子比特的高可靠性量子门.
• 悬浮状态的超冷极分子是实际基于分子的量子计算的可行平台.
• 开发的控制方案为量子信息处理分子系统的高效操纵提供了新的见解.