KI und die schwierigen Probleme der Welt · Quantenphysik & Quantencomputing · arXiv · 2026-10-19
Risikobewusste neuronale Pulskompilierung kontinuierlich parametrisierter Ein-Qubit-Gatter mit Benchmarking durch optimale Steuerung und NMR-Hardwarevalidierung
Originaltitel: Risk-aware neural pulse compilation of continuously parameterized single-qubit gates with optimal-control benchmarking and NMR hardware validation
Die Arbeit stellt ein physikinformiertes neuronales Netz vor, das eine wiederverwendbare Abbildung von kontinuierlich parametrisierten Einzel-Qubit-Gatter-Zielen auf Steuerpulse lernt, Ende-zu-Ende ohne Labels optimaler Pulse trainiert und mit risikobewusstem Feintuning für mehr Robustheit verfeinert wird. Bei einem Drei-Qubit-Flüssigkeits-NMR-Modell erreichte es über Haar-verteilte Ziele hinweg eine mittlere nominelle Fidelity von über 0,99 und erzeugte neue Pulse mit einer Inferenzzeit im Submillisekundenbereich, während robustes GRAPE eine höhere Fidelity pro Ziel erzielte. Das risikobewusste Training erweiterte die Toleranz gegenüber HF-Amplitudenfehlern, und ein NMR-Hardwareexperiment reproduzierte diesen Trend, wenngleich die absoluten Korrelationen niedriger waren als in der Simulation.