通过学习 SNAP 门的稀疏结构降低 qudit 态制备成本

研究人员提出一种通过可微掩码同时学习所需相位及其数值的方法，以降低玻色 qudit 中 SNAP-Displacement 序列制备量子态的控制成本。该方案利用稀疏惩罚移除不必要的相位，并通过温度退火将掩码转化为二值决策。在傅里叶态与 Haar 随机目标态上的测试表明，该方法在保真度与所需相位数量的权衡上达到了具竞争力甚至更优的表现。