遗传算法优化动力学解耦
本文介绍了一种新的动力学解偶序列，可用于量子计算和量子存储，以探究如何使 DD 序列抵抗不同类型的实验误差的影响，同时保持良好的解偶效率在不稳定的环境中。
Mar, 2011
通过优化动力学解耦脉冲序列的应用，我们在模型量子系统上进行了实验测量，证明了我们能够显著抑制量子位的错误率。我们通过实时反馈找到新的序列，并将这些序列与已有的序列进行比较，证明了这些本地优化的脉冲序列在测试中表现优于其他所有序列。
Dec, 2008
本文回顾了量子计算机中一种被称为动力学解耦的提高量子信息寿命的方法，并比较了不同的脉冲序列。我们证明了脉冲不完美会限制动力学解耦的性能，但可以通过脉冲和序列的设计来消除脉冲误差带来的干扰并显著提高系统的相干时间。
Oct, 2011
本研究探讨了动力学解耦技术在量子计算中的应用，使用时间对称性的构建块来改善序列的性能，并通过量子态重构分析了减少保真度的机制，提出了一种适当的解耦脉冲构建方式。
Oct, 2011
利用遗传算法提高数字量子模拟的灵活性，可以增加数字量子模拟协议的保真度和优化资源使用效率，并适应实验性约束，在减少数字误差和量子门的实验误差方面起到作用，通过添加辅助比特，设计由不完美门组成的模块化门，其保真度高于任何组成门的保真度，并且对不同门误差具有韧性。
Dec, 2015
提出了一种用于控制开放式量子系统的新型动力学方法，可以过滤掉不需要的系统 - 环境相互作用的影响并结合保持开放式量子系统的有效动力学演化控制。该方法在实现量子信息处理方面具有潜在的应用价值。
Sep, 1998
通过双轴动力学解耦，在钻石中单个自旋和环境之间的相互作用得到了极大的抑制，并且发现弛豫时间的增强遵循解耦脉冲数量的普适标度。这些结果揭示了实验量子科学的新领域，并允许克服实现量子信息协议的主要障碍。
Aug, 2010
本研究构建了一个深度强化学习的神经网络（DDDQN）来控制可控参数的时间依赖性，以高效、精确地实现两种典型的量子门：单量子比特哈达玛门和双量子比特 CNOT 门，从而实现了高效、精确的量子门控制，为更多的深度强化学习技术在量子控制问题中的研究铺平了道路。
Feb, 2019
本文研究了量子退火算法在组合优化和相关抽样任务中相对于经典最新方法实现量子加速的前景，并且基于对既有文献中引入的多种启发式量子优化算法的改进相干时间以及控制能力的持续探索和兴趣，提出了包括连续时间哈密顿计算算法、反向退火和连续时间量子行走在内的 QA 有前途的变体，同时就机器学习的参数化量子电路的模拟提出了类比算法，这些算法大多没有（或被认为不可能有）已知的高效古典模拟，其中大多数算法的 “中等规模” 实验可能存在量子加速的可行可能性。建议通过在使能交换耦合通量量子比特时实现的时间依赖有效横向场伊辛哈密顿量生成的新型量子动力学的全面研究来实现更先进的控制协议以及 DQA 的最有前途的路径。
Aug, 2020