.png){kind=icon}
返回
Exploring quantum control landscape and solution space complexity through optimization algorithms and dimensionality reduction
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-025-95161-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
理解量子控制景观（QCL）对于设计有效的量子控制策略至关重要。本研究中，我们针对一个单两能级量子系统（量子位），采用多种控制策略分析其QCL。我们采用主成分分析（PCA），以可视化并分析高维控制参数的QCL。结果表明，降维技术（如PCA）在理解高维量子控制的复杂性方面可发挥重要作用。对传统控制技术和机器学习算法的评估显示，遗传算法（GA）优于随机梯度下降（SGD），而Q学习（QL）相较于深度Q网络（DQN）和近端策略优化（PPO）展现出巨大潜力。此外，我们的实验强调了奖励函数设计在DQN和PPO中的重要性，表明对于短时间步长的系统，使用即时奖励而非延迟奖励可带来性能提升。通过使用聚类密度指数（CDI）作为分析景观中最优解密度的关键指标，本研究对解空间复杂性进行了研究。CDI反映聚类质量，并有助于判断给定算法是否生成高保真度区域。我们的结果为有效的量子控制策略提供了见解，强调了参数选择和算法优化的重要性。
Keyword:
Genetic Algorithms (GA)
Principal Component Analysis (PCA)
Quantum Control Landscape (QL)
Reinforcement Learning (RL)
Stochastic Gradient Descent (SGD)
期刊
IF:
3.9
论文数:
27.9W
被引数:
83.5W
机构
暂无机构信息
引用论文
.png){kind=icon}
Polynomial-Time Algorithms for Prime Factorization and Discrete Logarithms on a Quantum Computer量子计算机上质因数分解和离散对数的多项式时间算法OAAI
OAAI分享收藏Nonadiabatic Landau-Zener-Stuckelberg-Majorana transitions, dynamics, and interference非绝热landau-zener-stuckelberg-majorana跃迁，动力学和干涉
OAAI
OAAI分享收藏
查看更多内容