다체 역학에서 기계학습 영감을 받은 양자 제어

양자 다체 상태의 정밀한 준비는 양자 계산 및 양자 시뮬레이션의 실제 구현에 매우 중요하다. 그러나 소산 과정에서의 비가피한 여기로 인한 고유한 도전은 제어 필드의 신중한 설계를 필요로 한다. 본 연구에서 우리는 제어 필드를 최적화하기 위해 맞춤 설계된 유망하고 다재다능한 동적 제어 신경망을 소개한다. 우리는 양자 아이징 모델에서 임계점을 통과할 때 결함 밀도를 억제하고 고양이 상태 충실도를 향상시키는 문제를 다룬다. 우리 방법은 최적화 전략을 조정하여 다양한 목표 함수 간의 원활한 전환을 용이하게 한다. 기울기 기반의 멱법칙 소산 방법에 비해, 우리 접근법은 작은 시스템 크기 및 장기 진화 모두에서 상당한 이점을 보여준다. 우리는 제어 필드의 구체적인 형태에 대한 상세한 분석을 제공하고 실험적 구현을 위한 공통 특징을 요약한다. 더욱이, 수치적 시뮬레이션은 무작위 잡음 및 스핀 수 변화에 대한 우리의 제안의 견고성을 보여준다. 최적화된 결함 밀도와 고양이 상태 충실도는 소산 지속 시간과 시스템 크기의 임계 비율에서 전환을 나타내며, 이는 양자 진화의 양자 속도 한계에 일치한다.