近日， 我系2014级本科生崔子嵬， 在物理系导师翁文康教授指导下，联合香港城市大学王欣教授团队， 以（并列）第一作者在Physics Review A（SCI收录）期刊发表了题为“Automatic Spin-chain Learning to Explore the Quantum Speed Limit”的学术论文，使用机器学习的手段寻找量子态传输方案，突破了在一维自旋链中的速度极限，证明了增强学习可以成为量子调控研究的有力工具。

        若想实现可规模化的实现量子计算与量子模拟，通过自旋链系统高效精确的传播量子信息这一过程将至关重要。在过往研究中，高精度甚至完美的实现量子态传输已经得到了解决，但这一过程需要满足某些特定的条件，且鲜有关注效率问题，即传播的速度。本文结合研究热点，针对含时调控与非含时调控两种问题进行了研究。在非含时调控系统中，利用传统的最小化损耗函数的形式，我们寻找到的方案相比较于完美态传输协议，几乎不损失保真度（小于），且速度在长链系统中更快，在150长度下达到10%的加速效果。在含时调控中，本文使用了增强学习的方案，传播速度亦超过了现有已知最快的Krotov方案。

在一维自旋链下进行量子态传输（State Transfer）可以提供高效而准确的量子信息传播渠道，对实现量子计算和量子模拟的规模化极为重要。以往的大量研究通常专注于保真度（fidelity）的提高，而忽视了传播速度的问题。本文通过使用机器学习的方法，通过两种不同模型进行训练，得到的传播方案快于现有其他任何方案。

        在非含时调控系统模型（Time-independent Scenario）中，研究人员通过设计并最小化损耗函数（cost function）的方式，寻找能够实现高速精确量子态传播的耦合强度（coupling strength）。通过学习，我们寻找到了一种崭新的方案，该方案在自旋链长度较短时与经典的完美量子态传输（perfect state transfer）相同，但在链长较长时，该方案能在小于5×〖10〗^(-4)的非保真度下将传播速度提高约10%。

Fig. 1 图a是我们训练出来的模型的误差，可见一直在5*10^-4以下；图b是我们训练出来的效率（蓝线）和PST的效率（红线）的对比。我们的效率更高

Fig. 2 图a 是我们的结果和krotov的结果，在相同的误差率5%下，同样的链长我们的速度（蓝色）和Krotov的速度（红色）对比 b是在链长为9的情况下相同的误差率我们的速度（蓝色）和Krotov的速度（蓝色）的对比

        在含时调控（time-dependent）中，本文利用了增强学习（reinforcement learning）中的Deep Q-learning探究了在均匀耦合下通过施加外磁场的调控方式。结果显示，使用深度学习的方案比已有的最快方案Krotov方案还有微小的速度提升。该结果显示，增强学习有可能成为量子控制问题中非常有利的研究工具。

        崔子嵬是物理系2014级本科生，即将于今年7月毕业，并获保送留校攻读南科大-哈工大联合培养硕士。崔子嵬于大二下学期加入翁文康教授课题组，开展量子计算与量子模拟研究。他在论文研究工作中创造性地提出用增强学习的思路和外加磁场的类型，并完成了编写和测试代码的工作。

        本论文研究工作受到香港特别行政区研究资助局、国家自然科学基金委员会、广东省创新创业团队项目、广东省自然科学基金、深圳市科技创新委员会等项目的支持。

文章链接：

https://journals.aps.org/pra/pdf/10.1103/PhysRevA.97.052333