基于抽样学习的开放量子系综时间最优控制

doi:10.3969/j.issn.0253-2778.2019.10.001

中国科学技术大学学报 ›› 2019, Vol. 49 ›› Issue (10): 775-780.DOI: 10.3969/j.issn.0253-2778.2019.10.001

• 论著 • 下一篇

基于抽样学习的开放量子系综时间最优控制

祁鹏，匡森

中国科学技术大学自动化系，安徽合肥 230027

收稿日期:2018-04-19 修回日期:2018-10-13 接受日期:2018-10-13 出版日期:2019-10-31 发布日期:2018-10-13
通讯作者: 匡森
作者简介:祁鹏，男，1992年生，硕士生．研究方向: 量子优化控制. Email: qpeng@mail.ustc.edu.cn
基金资助:
安徽省自然科学基金(1708085MF144), 国家自然科学基金(61873251) 资助.

Time-optimal control of open quantum ensembles based on sampling and learning

QI Peng, KUANG Sen

Department of Automation, University of Science and Technology of China, Hefei 230027, China

Received:2018-04-19 Revised:2018-10-13 Accepted:2018-10-13 Online:2019-10-31 Published:2018-10-13

摘要/Abstract

摘要： 针对哈密顿量具有波动的、大量成员系统构成的开放量子系综，在密度矩阵的相干矢量体系下提出了一个双阶段近似时间最优控制算法，实现了系综中所有成员系统对于一个共同目标态的高保真度状态转移，同时确保了控制时间的近似最小.该算法首先根据表征系综哈密顿量波动情况的参数分布律对系综进行采样以便得到代表系综特性的一个样本系统集；然后基于该样本系统集、并借助基本的梯度法在两个阶段中分别对保真度和控制时间进行优化，得到了最终的最优控制律；最后在两能级开放量子系综上进行了数值仿真实验，验证了所提出算法的有效性.

关键词: 开放量子系综, 时间最优控制, 相干矢量

Abstract: For open quantum ensembles with Hamiltonian fluctuations composed of a large number of single quantum systems, a two-stage approximate time-optimal control algorithm is proposed in the framework of coherence vectors of density matrices and achieves a high-fidelity state transition of all member systems to a common target state within an approximate minimum control time. According to the parameter distribution rule that characterizes Hamiltonian fluctuations, this algorithm first samples the whole ensemble to obtain a sample system set. Then, based on the obtained sample system set and via the basic gradient method, the fidelity and the control time are optimized in the two stages respectively, and the resulting optimal control law is obtained. Numerical simulation experiments on a two-level open quantum ensemble verify the effectiveness of the proposed algorithm.

Key words: open quantum ensemble, time-optimal control, coherence vector

中图分类号:

TP391

祁鹏，匡森. 基于抽样学习的开放量子系综时间最优控制[J]. 中国科学技术大学学报, 2019, 49(10): 775-780.

QI Peng, KUANG Sen. Time-optimal control of open quantum ensembles based on sampling and learning[J]. Journal of University of Science and Technology of China, 2019, 49(10): 775-780.

参考文献

［1］
BLOKHINTSEV D I. Foundations of quantum mechanics[A]// Quantum Mechanics, Springer, 1964: 31-59.
[2] DUAN L M, LUKIN M D, CIRAC J I, et al. Long-distance quantum communication with atomic ensembles and linear optics[J]. Nature, 2001, 414: 413-418.
[3] BENSKY G, PETROSYAN D, MAJER J, et al. Optimizing inhomogeneous spin ensembles for quantum memory[J]. Physical Review A, 2012: 86(1): 012310.
[4] DONG D Y, PETERSEN I R. Quantum control theory and applications: A survey[J]. IET Control Theory & Applications, 2010: 4(12): 2651-2671.
[5] KUANG S, CONG S. Lyapunov control methods of closed quantum systems[J]. Automatica, 2008: 44(1):98-108.
[6] KUANG S, DONG D Y, PETERSEN IR. Rapid Lyapunov control of finite-dimensional quantum systems[J]. Automatica, 2017, 81: 164-175.
[7] KALACHEV A, KRLL S. Coherent control of collective spontaneous emission in an extended atomic ensemble and quantum storage[J]. Physical Review A, 2006, 74(2): 023814.
[8] MISCHUCK B E, MERKEL S T, DEUTSCH I H. Control of inhomogeneous atomic ensembles of hyperfine qudits[J]. Physical Review A, 2012, 85(2): 022302.
[9] LI J S. Ensemble control of finite-dimensional time-varying linear systems[J]. IEEE Transactions on Automatic Control, 2011, 56(2): 345-357.
[10] RUTHS J, LI J S. Optimal control of inhomogeneous ensembles[J]. IEEE Transactions on Automatic Control, 2012, 57(8): 2021-2032.
[11] BEAUCHARD K, DA SILVA P S P, ROUCHON P. Stabilization for an ensemble of half spin systems[J]. Automatica, 2012, 48(1): 68-76.
[12] CHEN C L, DONG D Y, LONG R X, et al. Sampling-based learning control of inhomogeneous quantum ensembles[J]. Physical Review A, 2014, 89(2): 023402.
[13] CHEN C L, DONG D Y, QI B, et al. Quantum ensemble classification: A sampling-based learning control approach[J]. IEEE transactions on neural networks and learning systems, 2017, 28(6): 1345-1359.
[14] VANDERSYPEN L MK, CHUANG I L. NMR techniques for quantum control and computation[J]. Reviews of Modern Physics, 2005, 76(4): 1037.
[15] KOBZAR K, LUY B, KHANEJA N, et al. Pattern pulses: Design of arbitrary excitation profiles as a function of pulse amplitude and offset[J]. Journal of Magnetic Resonance, 2005, 173(2): 229-235.
[16] PAULY J, ROUX P L, NISHIMURA D, et al. Parameter relations for the shinnarle roux selective excitation pulse design algorithm (NMR imaging)[J]. IEEE Transactions on Medical Imaging, 1991, 10(1): 53-65.
(下转第790页)

()
()

[1]	占永昆, 杨文飞, 张天柱. 基于关系建模的弱监督时序动作定位[J]. 中国科学技术大学学报, 2021, 51(10): 753-765.
[2]	梁启鹏, 朱巧慧, 康宇, 赵云波. 基于估计的无线网络化控制系统逼近控制策略[J]. 中国科学技术大学学报, 2021, 51(4): 327-334.
[3]	李慧聪, 傅孝明∗ . 基于局部等距嵌入的各向异性曲面网格生成[J]. 中国科学技术大学学报, 2020, 50(12): 1460-1471.
[4]	于俊，李雅洁，程礼磊，连顺，谭昶，丁德成，刘淇. 高教程序代码作业抄袭检测的方法研究与实践[J]. 中国科学技术大学学报, 2020, 50(8): 1048-1057.
[5]	张文静，班志杰. 基于全局的引文网络影响力最大化算法[J]. 中国科学技术大学学报, 2020, 50(8): 1058-1063.
[6]	任敏，许玲，王峰，吴超. 基于知识推荐的校园百科平台研究[J]. 中国科学技术大学学报, 2020, 50(8): 1072-1076.
[7]	孙磊，张义宁，薛艳芳，乔立山，张丽梅. 自适应功能连接网络学习及其在脑疾病识别中的应用[J]. 中国科学技术大学学报, 2020, 50(8): 1102-1109.
[8]	白江波，杨阳，张文生. 基于改进CycleGAN的合成孔径雷达图像仿真[J]. 中国科学技术大学学报, 2020, 50(8): 1181-1186.
[9]	辛守宇，郑蕊蕊，周瑜，刘文鹏，贺建军. 训练过程中使用支持集信息的单样本学习算法[J]. 中国科学技术大学学报, 2020, 50(8): 1187-1192.
[10]	汪志华，康红梅. 使用三角网格上的样条求解带有非齐次边界的PDE[J]. 中国科学技术大学学报, 2020, 50(7): 901-905.
[11]	龚乐君，周佘海，程逸飞，高志宏，李华康. 单细胞RNA序列数据的PBMC相关细胞的识别[J]. 中国科学技术大学学报, 2020, 50(7): 1013-1018.
[12]	杜淑颖，杜鹏，丁世飞. 基于CNN的假冒域名识别方法研究[J]. 中国科学技术大学学报, 2020, 50(7): 1019-1025.
[13]	李永军，曹为华，凌强. 基于特征点轨迹的多目标跟踪算法[J]. 中国科学技术大学学报, 2020, 50(6): 726-732.
[14]	江琦，刘建宏，关勇，白浩波，刘刚，田扬超. 一种针对不完善数据的基于全变分约束的相干衍射算法[J]. 中国科学技术大学学报, 2020, 50(4): 418-427.
[15]	王旭辉，燕明叶，吴梦. 适用于等几何分析退化光滑插值曲面片构造[J]. 中国科学技术大学学报, 2020, 50(3): 335-342.

基于抽样学习的开放量子系综时间最优控制

Time-optimal control of open quantum ensembles based on sampling and learning

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价