CRAB/DCRAB 截断随机基优化｜中性原子量子计算知识库

CRAB（chopped random basis）把控制场写成"猜测脉冲 × 十几个随机化正弦/余弦"的截断展开，于是泛函极小化坍缩成一个无梯度的多元函数搜索——参数少到可以直接把实验放进优化回路。

问题背景

梯度类算法（GRAPE、Krotov）虽能精确优化，但每个时间片都是自由变量，带来三重困难：多体系统的存储与传播开销随维度暴涨；实验闭环中每迭代都要靠大量测量估计目标泛函，根本供不起上千个参数；优化出的任意波形还可能超出硬件带宽。CRAB 的出发点是：对大多数控制问题，有效信息集中在少数频率分量上，把函数空间截断到几个基函数并不显著牺牲最优保真度 Caneva 2011。

方法由 Doria、Calarco、Montangero 于 2011 年为时间依赖 DMRG（t-DMRG）中的多体优化提出 Doria 2011，同年 Caneva 等把它确立为通用最优控制算法 Caneva 2011；其”dressed”版本 DCRAB 与十年应用全景见综述 Müller 2022。

理论模型

截断随机基 ansatz

给定猜测脉冲 $Γ_{0} (t)$ 与边界归一函数 $λ (t)$ （在 $t \to 0, T$ 时把修正压到零），CRAB 把控制场写成

Γ_{CRAB} (t) = Γ_{0} (t) \cdot g (t), g (t) = 1 + \frac{\sum _{n = 1}^{N_{c}} [ A _{n} sin ( ω _{n} t ) + B _{n} cos ( ω _{n} t ) ]}{λ ( t )},

频率取随机化的主谐波

ω_{n} = \frac{2 π n}{T} (1 + r_{n}), r_{n} \in [- 0.5, 0.5] 均匀分布 .

两个关键要素是：函数空间截断到 $N_{c}$ 个分量，以及对频率加随机扰动——后者打破基函数的正交性、扩大了固定参数数下探索的函数子空间，经验上显著改善收敛 Caneva 2011。目标泛函变为多元函数

F_{CRAB} (A, B, ω) = α f (∣ ψ (T)⟩) + i \sum β_{i} C_{i} [Γ (t)], C_{i} = \int ∣ Γ_{i} (t) ∣^{2} d t,

其中 $f$ 可取逆保真度 $f_{1} = 1 - ∣ ⟨ ψ (T) ∣ ψ_{G} ⟩ ∣^{2}$ 、末态能量 $E_{f}$ 或负熵等， $C_{i}$ 是流量等约束（拉格朗日乘子 $β_{i}$ 加权）；随后用 Nelder–Mead 单纯形、最速下降等直接搜索法求极小，完全不需要泛函导数 Caneva 2011 Doria 2011。若系统的物理能标已知，可省去随机化、直接取 $ω_{n}$ 对齐最小能隙的谐波——LMG 模型中这一”物理驱动选频”正是收敛到 $1 0^{- 6}$ 精度的关键 Caneva 2011。

DCRAB：用”换基底”逃离假陷阱

截断带来一个理论代价：无约束控制景观几乎无局部极小（Rabitz 等），但截断子空间中会出现假陷阱（false traps）——对子空间内一切变分 $δ J = 0$ 、对完整函数空间却不然。Rach 等证明：在陷阱处叠加一个新的随机频率分量 $δ f (t) = sin (ω_{r} t) δ c$ ，则 $δ J = \int k (t) δ f (t) d t \neq = 0$ 几乎必然成立（ $k (t)$ 为景观梯度核），假陷阱即被打开 Rach 2015。

操作上这是超迭代（super-iteration）方案：第 $j$ 轮在上一个解上叠加新的随机基

f^{j} (t) = f^{j - 1} (t) + i = 1 \sum N_{c} c_{i}^{j} f_{i}^{j} (t), f_{i}^{j} (t) \in {sin, cos} 频率 \in [0, ω_{m a x}],

参数总数不变、旧系数保留为新一轮的猜测；带宽上限 $ω_{m a x}$ 由硬件传递函数给出 Rach 2015。DCRAB 因此同时继承了”梯度法跟随无约束景观”与”截断基法省资源”两种优点，并按需满足带宽/幅度约束。

方法与实现

CRAB 的典型工作流：

选猜测脉冲（绝热斜坡、实验现有波形或人为直觉）与形状函数 $λ (t)$ ；
抽取随机频率 ${r_{n}}$ ，对 $(A, B)$ （常固定 $ω$ ）跑直接搜索；
多组随机频率并行重跑，取最优（随机化是”多起点”而非保证）；
未达标则进入 DCRAB 超迭代，或转入实验闭环。

开环数字：两个容感耦合电荷 qubit 的态转移中，固定 $N_{c} = 2$ 、约 $3 \times 1 0^{4}$ 次函数评估，随机化频率把保真度从”百分之十量级”提升到 $1%$ 以下 Caneva 2011。LMG 模型（ $N$ 最大 100， $T = 2 T_{QSL}$ ）中，取 $ω_{n}$ 对齐能隙时仅 3 个谐波（6 参数）即达 $\sim 1 0^{- 4}$ 、5 个谐波达 $\sim 1 0^{- 6}$ 的不保真度，且精度对 $N$ 近似无关 Caneva 2011。首个应用（Doria 2011）用 t-DMRG + iTEBD 优化光晶格装载：把超流–Mott 转换从”约 $100 ms$ 、约 $10%$ 缺陷”缩短到 $T \approx 3 ms$ 而缺陷密度压到 $1 0^{- 2} - 1 0^{- 3}$ 量级 Doria 2011。

闭环与远程优化：由于参数少且无梯度，DCRAB 可直接以实验测量值为目标泛函迭代——评估 $J$ 、按式更新脉冲、再实验。RedCRAB 把优化服务器放在实验之外（跨实验室/跨国远程），基准实验中约 100 个迭代步即超越传统混合阱装载方法 $10%$ 以上 Müller 2022。同一框架下已演示 NV 色心单比特门 Müller 2022、里德堡原子 20 比特薛定谔猫态制备（CRAB 脉冲，迄今最大的此类猫态）与量子总线上跨 6 个格点的 qubit 输运 Müller 2022。

里德堡门上的少量参数优化：对双原子阻塞相位门，Gaussian 脉冲参数化配合实验参数直接搜索（Nelder–Mead）可把门保真度从 $\sim 89%$ 提升到 $99.9%$ 以上（消绝热模型） Müller 2014；综述中 Gaussian 参数化的里德堡相位门在现实参数下约 $99%$ ，并给出突破 $99.9%$ 所需的装置改进 Müller 2022。少参数 ansatz 的现代延续（固定幅度、全局相位调制的 CRAB 框架）见ORMD/ARMD 与解析整形脉冲条目。

CRAB 闭环实验流程：猜测脉冲→实验→测量 FOM→dCRAB 更新脉冲的回路示意（图源：Müller 2022 Fig. 5）

参数与量级

量	典型值	来源
优化参数数	$2 N_{c} \sim 6 - 16$ （ $N_{c} = 3 - 8$ 个谐波）	Caneva 2011
随机频率扰动	$r_{n} \in [- 0.5, 0.5]$ ；DCRAB 新频率 $\in [0, ω_{m a x}]$	Caneva 2011 Rach 2015
LMG $N = 100$ 态转移	$T = 2 T_{QSL}$ ，5 谐波误差 $\sim 1 0^{- 6}$	Caneva 2011
光晶格 Mott 装载	$\sim 100 ms \to\approx 3 ms$ ，缺陷 $1 0^{- 2} - 1 0^{- 3}$	Doria 2011
RedCRAB 闭环收敛	$\sim 100$ 迭代， $> 10%$ 优于基线	Müller 2022
里德堡猫态规模	20 比特（CRAB 脉冲实验制备）	Müller 2022

与其他概念的关系

CRAB 是量子最优控制框架中的”少参数 + 无梯度”路线；与 GRAPE 的逐片自由度、Krotov/GOAT 的梯度保证互为互补。
频率截断天然给出带宽受限波形，与解析整形脉冲同属”硬件可实现优先”的设计哲学；固定幅度 + 相位 ansatz 的近期发展见ORMD/ARMD。
闭环迭代把模型误差交给实验本身，与门标定闭环（ORBIT/RB/Ad-HOC）的目标一致。
应用侧：阻塞相位门的参数优化见阻塞 CZ 门，多体目标态（猫态/W 态）制备与多比特阻塞门及里德堡模拟优化直接相关。
与时间下界的关系：CRAB 常在 $T$ 略大于量子速度极限处工作（如 $T = 2 T_{QSL}$ ）。
若误差来自参数不确定性而非优化本身，应转向鲁棒最优控制的 ensemble 目标。

参考文献

P. Doria, T. Calarco, S. Montangero, “Optimal Control Technique for Many-Body Quantum Dynamics”, Phys. Rev. Lett. 106, 190501 (2011). Doria 2011 · DOI 10.1103/PhysRevLett.106.190501
T. Caneva, T. Calarco, S. Montangero, “Chopped random-basis quantum optimization”, Phys. Rev. A 84, 022326 (2011). NA052 · DOI 10.1103/PhysRevA.84.022326
N. Rach, M. M. Müller, T. Calarco, S. Montangero, “Dressing the chopped-random-basis optimization: A bandwidth-limited access to the trap-free landscape”, Phys. Rev. A 92, 062343 (2015). Rach 2015 · DOI 10.1103/PhysRevA.92.062343
M. M. Müller, R. S. Said, F. Jelezko, T. Calarco, S. Montangero, “One decade of quantum optimal control in the chopped random basis”, Rep. Prog. Phys. (2022). NA006 · DOI 10.1088/1361-6633/ac723c
M. M. Müller, M. Murphy, S. Montangero, T. Calarco, P. Grangier, A. Browaeys, “Implementation of an experimentally feasible controlled-phase gate on two blockaded Rydberg atoms”, Phys. Rev. A 89, 032334 (2014). Müller 2014 · DOI 10.1103/PhysRevA.89.032334

中性原子百科

探索

CRAB/DCRAB 截断随机基优化