利用深度强化学习实现上万个粒子纠缠态的更高速制备

量子调控的一大重要研究方向是制备多粒子纠缠态。一个常用方法是通过渐变的哈密顿从无关联的多体初态出发绝热演化到所期待的特定纠缠态。但是多粒子体系的能级结构复杂的而且能隙狭小，利用绝热过程需要消耗太多的时间，特别是当需要经过量子相变点附近时。同时由于量子系统的寿命都是有限的，在绝热演化过程中往往会因为损耗导致最后偏离的目标态。尤力小组利用深度强化学习研究了最佳的如何调控路径，克服了绝热演化通过量子相变区域的长时间要求和有限的多粒子量子相干时间的矛盾。将这一基于深度强化学习框架的优化理论到调控旋量玻色-爱因斯坦凝聚体的态制备中，提出了耗时远短于绝热的新方案。在实验上，成功将原有的近绝热方案时间缩短了一半，并且实现了纠缠度更高的超过1万个原子的Dicke态制备。该数据集是清华大学物理系尤力小组在利用深度强化学习实现上万个粒子纠缠态的更高速制备所产生的支撑数据，主体数据采集产生于2020年4月-2020年9月间。其中2000粒子的二阶塞曼场控制方案数据生成于2019年11月25日。主要数据集包括控制场波形，保真度随演化时间的变化以及强化学习智能体观测量随演化时间的变化。11800粒子的二阶塞曼场控制方案生成于2020年7月6日。数据集包括z分量集体自旋及平均自旋长度的演化，总粒子数的演化，末态的wigner表示，二阶塞曼场控制方案，每个自旋分量的演化以及灵敏度随时间的演化。主体实验数据采集产生于2020年4月-2020年9月间。

搜集汇总

背景与挑战

背景概述

该数据集由清华大学物理系尤力小组创建，聚焦于利用深度强化学习优化多粒子纠缠态的制备过程。通过深度强化学习框架，研究团队提出了耗时更短的新方案，成功将制备时间缩短一半，并实现了超过1万个原子的高纠缠度Dicke态。数据集包含控制场波形、保真度演化等支撑数据，主要采集于2020年4月至9月期间。