[论文解读] Adaptive Learning Algorithms for Coherent Control

J. L. White, Brett J. Pearson+2 more|arXiv (Cornell University)|Aug 4, 2000

Laser Design and Applications被引用 1

一句话总结

本文提出一种自适应学习算法，利用量子系统实时反馈，优化整形超快激光脉冲以实现相干控制。通过根据测量结果迭代调整声光调制器（AOM）的激光脉冲轮廓，该系统以高效率实现了目标量子态的制备。

ABSTRACT

We have constructed an automated learning apparatus to control quantum systems. By directing intense shaped ultrafast laser pulses into a variety of samples and using a measurement of the system as a feedback signal, we are able to reshape the laser pulses to direct the quantum system into a desired physical state. The feedback signal is the input to an adaptive learning algorithm. This algorithm programs a computer-controlled, acousto-optic modulator (AOM) pulse shaper. The learning algorithm generates new shaped laser pulses based on the success of previous pulses in achieving a predetermined goal.

研究动机与目标

• 开发一种利用反馈驱动激光脉冲整形实现量子系统自动控制的系统。
• 解决在不了解系统动力学前提下，将复杂量子系统引导至目标态的挑战。
• 实施一种闭环学习框架，通过迭代优化改进脉冲设计。
• 展示利用自适应算法在多种量子样品中实现相干控制的可行性。

提出的方法

• 自适应学习算法处理来自量子系统测量的反馈，以指导脉冲优化。
• 使用计算机控制的声光调制器（AOM）实时整形超快激光脉冲。
• 反馈信号——源自系统响应——用于在后续迭代中更新脉冲轮廓。
• 该算法基于先前脉冲实现目标量子态的成功程度，生成新的脉冲形状。
• 系统以闭环配置运行，持续优化脉冲参数以最大化控制保真度。
• 该方法已应用于多个样品，展示了对不同量子系统的鲁棒性和适应性。

实验结果

研究问题

• RQ1 如何利用量子系统响应的反馈，迭代改进激光脉冲整形以实现相干控制？
• RQ2 自适应学习算法在将多样化量子系统引导至目标态方面的性能如何？
• RQ3 是否可以在不了解系统哈密顿量的前提下实现实时脉冲优化？
• RQ4 与开环或启发式脉冲设计相比，闭环学习方法在量子控制中的表现如何？

主要发现

• 自适应学习算法成功仅通过测量反馈，将量子系统引导至目标态。
• 该系统在无需详细了解底层量子动力学的情况下实现了有效控制。
• 通过AOM实现的迭代脉冲整形，实现了基于实时优化的量子态精确操控。
• 基于反馈的方法在多个实验样品中表现出稳健性能。
• 该方法通过根据系统响应持续优化脉冲轮廓，实现了高保真度态制备。
• 闭环框架被证明在自主导航复杂量子控制景观方面非常有效。