预期“ Python中的神经网络”课程将开始一个新线程，为您准备了一篇有趣的文章的翻译。
实施新一代量子计算机的主要问题之一在于其最基本的客户
qubit 。 量子位可以与附近的任何物体相互作用，这些物体将
能量转移到它们自己
徘徊的光子附近 （即不想要的电磁场，
声子 （量子设备的机械振动）或量子缺陷（在制造阶段出现的芯片表面不规则性），这会无法预期地改变量子位的状态。
由于许多任务使用于控制qubit的工具复杂化了，因此事情变得复杂了。 可以通过
经典方法来处理和读取量子位：电磁场形式的模拟信号，再加上其中内置有量子位的物理板，例如超导微电路。 控制电子器件的不完善（导致白噪声），外部辐射源的干扰以及数模转换器的波动会导致更大的随机误差，从而使量子微电路的操作恶化。 这些实际问题影响了计算的准确性，因此限制了下一代量子设备的应用。
为了提高量子计算机的计算能力并为大规模量子计算开辟道路，首先必须建立能准确描述这些实验问题的物理模型。
在
《自然伙伴杂志》（npj）量子信息（https://www.nature.com/npjqi/articles）上发表的文章
“通过深度强化学习进行通用量子控制”中，我们介绍了一种使用深度学习创建的量子控制新结构。增强，其中可以用单个
损失函数封装优化量子控制的实际问题。 与梯度下降的标准随机解决方案相比，所考虑的结构使
量子门的平均误差降低了两个数量级，并且将门时间显着减少至门合成类似物的最佳值。 我们的结果为在不久的将来使用量子设备的量子建模，量子化学和量子卓越性测试开辟了新领域。
这种量子控制范式的创新基于量子控制功能的发展以及基于深度学习的强化优化方法。 要开发一个综合的损失函数，我们首先需要开发一个现实的量子控制过程的物理模型，在该模型中我们可以准确地预测误差的大小。 评估量子计算准确性的最烦人的错误之一是泄漏：计算过程中丢失的量子信息量。 当量子位的量子态由于自发发射而变为较高的能级或较低的能级时，通常会发生这种泄漏。 由于泄漏错误，不仅丢失了有用的量子信息，而且还降低了“量子性”，最终使量子计算机的性能降低到具有传统体系结构的计算机的性能。
在量子计算过程中准确估算丢失信息的常见做法是首先对整个计算进行建模。 但是，这否定了创建大规模量子计算机的全部要点，因为它们的优势在于它们能够执行经典计算机无法进行的计算。 随着物理模型的改进，我们的通用损失函数使我们可以共同优化累积的泄漏误差，违反控制边界条件，总阀门时间和阀门精度。
使用新的损失管理功能，下一步就是使用有效的优化工具将其最小化。 现有的优化方法不足以搜索对控制波动可靠的高精度解决方案。 取而代之的是，我们使用一种基于深度学习强化策略（RL）的方法
-RL-受信任的区域 。 由于此方法在所有测试任务中均表现出良好的性能，因此具有固有的抗样本噪声的能力，并且可以利用数亿个控制参数来优化复杂的控制问题。 这种基于策略的RL方法与先前研究的基于策略的RL方法之间的显着区别是，管理策略的呈现独立于损失管理。 另一方面，所有的RL策略（例如
Q学习 ）都使用单个神经网络来表示控制路径和相关的奖励，其中控制轨迹确定应与不同量度上的qubit相关联的控制信号，而相关的奖励量度圆滑的程度。量子控制。
策略RL以其在控制路径中使用非局部特征的能力而闻名，这在控制领域是多维的且包含大量非全局解决方案的情况下变得至关重要，这在量子系统中常常如此。
我们将控制路径编码为三层完全连接的神经网络-NN策略，将控制损失函数编码为第二个神经网络-NN值，该值反映了未来折扣。 使用增强学习代理获得了可靠的控制解决方案，该学习代理在随机环境中训练两个神经网络以模拟现实的噪声控制。 我们提供了一种用于控制一组连续参数化的二量子位量子门的解决方案，这在量子化学中的应用特别重要，但对于使用标准通用门组来实施来说过于昂贵。
在这种新结构的框架内，与使用通用门集的传统方法相比，连续参数化模拟量子门系列的量子门错误减少了一百倍，门时间减少了一个数量级的平均值。
这项工作强调了使用新的机器学习方法和最新的量子算法的重要性，这些方法利用了通用量子控制电路的灵活性和额外的处理能力。 为了完全集成机器学习并提高计算能力，有必要进行额外的实验，类似于本工作中给出的实验。