AI与世界难题 · 量子物理与量子计算 · arXiv · 2026-10-19
面向连续参数化单量子比特门的风险感知神经脉冲编译：最优控制基准测试与 NMR 硬件验证
原标题: Risk-aware neural pulse compilation of continuously parameterized single-qubit gates with optimal-control benchmarking and NMR hardware validation
本文提出了一种物理信息神经网络，可学习从连续参数化的单量子比特门目标到控制脉冲的可复用映射，无需最优脉冲标签即可端到端训练，并通过风险感知微调提升鲁棒性。在三量子比特液态核磁共振模型上，它对 Haar 分布的目标达到了高于 0.99 的平均标称保真度，并能以亚毫秒级推理时间生成新脉冲，而鲁棒 GRAPE 的单目标保真度更高。风险感知训练扩大了对射频幅度误差的容忍范围，核磁共振硬件实验再现了这一趋势，但绝对相关性低于模拟结果。