GRAPE 梯度上升脉冲工程

GRAPE（GRadient Ascent Pulse Engineering）把控制场离散成几百段常数，用一次前向传播与一次后向传播解析地算出每一段的目标泛函梯度，然后"同时"更新所有段——这一并发（concurrent）更新使它成为从 NMR 到里德堡阵列都通用的脉冲工程主力。

问题背景

数值控制的最直接想法是把时间切成 $N_T$ 片、每片幅度取常数，再用最速下降或共轭梯度求极小。但若用有限差分估算梯度，变量数 $\sim N_T$ 意味着每轮要做同等次数的完整传播，代价高得不可接受。GRAPE 的贡献（Khaneja、Reiss、Kehlet、Schulte-Herbrüggen、Glaser，2005 年发表于 Journal of Magnetic Resonance）是给出一个解析梯度公式：借助前向传播的态与后向传播的伴随态，所有 $N_T$ 个梯度分量可在一轮传播中同时得到，使梯度上升对”几百个自由度的脉冲”变得现实 Khaneja 2005。

这一方法诞生于 NMR 脉冲序列设计（耦合自旋系统的门与选择性脉冲），此后被移植到几乎所有的量子平台：分子动力学社区多用 Krotov、NMR 社区多用 GRAPE，是历史上的两大分野 Goerz 2019。对中性原子，实验波形本来就由 AWG 以分段（采样点）方式生成，分段常数假设与硬件天然契合 Koch 2022。

理论模型

分段常数传播子

把 $[0,T]$ 均分为 $N_T$ 段、每段宽 $dt=T/N_T$，第 $n$ 段控制值 ${ϵ}_n$（多通道时为 ${ϵ}_{l,n}$）。末态由一串常数哈密顿量传播子连乘得到：

$$|{\phi }_k(T)⟩={\hat{U}}_{N_T}\cdots {\hat{U}}_n\cdots {\hat{U}}_1|{\phi }_k⟩,{\hat{U}}_n=\exp [-\frac{i}{\hslash }\hat{H}({ϵ}_n)dt],$$

其中 $k$ 遍历所有需要同时控制的输入态（两比特门即 $|00⟩,|01⟩,|10⟩,|11⟩$） Goerz 2019。独立的优化变量就是标量 ${ϵ}_{l,n}$。

目标泛函与解析梯度

以幺正门为例，末时泛函可写为重叠 ${\tau }_k=⟨{\phi }_k^{\mathrm{tgt}}|{\phi }_k(T)⟩$ 的函数（如 $J_{T,\mathrm{re}}=1-\frac{1}{N}\mathrm{Re}{\sum }_k{\tau }_k$，允许全局相位时用 $F_{\mathrm{sm}}$，见量子最优控制框架）。定义伴随态（co-state）为后向传播的目标态

$$|{\chi }_k(t_{n+1})⟩={\hat{U}}_{N_T}\cdots {\hat{U}}_{n+1}|{\phi }_k^{\mathrm{tgt}}⟩,$$

则第 $n$ 片梯度解析地等于”相邻两个传播子夹住 $\partial {\hat{U}}_n/\partial {ϵ}_n$”：

$$\frac{\partial {\tau }_k}{\partial {ϵ}_n}=⟨{\chi }_k(t_{n+1})\left|\frac{\partial {\hat{U}}_n}{\partial {ϵ}_n}\right|{\phi }_k(t_n)⟩,|{\phi }_k(t_n)⟩={\hat{U}}_{n-1}\cdots {\hat{U}}_1|{\phi }_k⟩,$$

总泛函梯度再由链式法则组装。由于只用到上一轮迭代的前向态 $|{\phi }_k(t_n)⟩$ 与后向态 $|{\chi }_k(t_{n+1})⟩$，所有时间片的梯度彼此独立、可并发计算——这正是 GRAPE 区别于顺序更新方法的本质特征 Goerz 2019。

物理上，$⟨{\chi }_k(t_{n+1})|{\hat{H}}_l|{\phi }_k(t_n)⟩$ 度量的是”第 $n$ 片里控制通道 $l$ 把前向态朝着（或背离）目标态方向推了多少”：对 ${\hat{U}}_n=e^{-i\hat{H}dt}$ 有 $\partial {\hat{U}}_n/\partial {ϵ}_n\approx -\frac{i}{\hslash }{\hat{H}}_{l}dt{\hat{U}}_n$，梯度因而正比于 $\mathrm{Im}⟨{\chi }_k|{\hat{H}}_l|{\phi }_k⟩$，与连续变分给出的更新方向一致 Goerz 2019。

收敛性质与二阶方法

GRAPE 的并发更新没有单调收敛保证：接近最优点时一阶梯度不足以继续下降。标准补救是把梯度交给拟牛顿优化器（L-BFGS-B），由数值 Hessian 估计修正步长，即所谓”二阶 GRAPE”或 GRAPE-LBFGS；经验上它通常表现良好，且 L-BFGS 作为黑盒几乎不增加实现成本 Goerz 2019。步长本身仍需线搜索确定。

方法与实现

一轮 GRAPE 迭代的流程：

1. 用当前猜测场 $\{{ϵ}_{l,n}\}$ 把所有输入态 $|{\phi }_k⟩$ 前向传播到 $T$，存下各片边界态；
2. 把目标态 $|{\phi }_k^{\mathrm{tgt}}⟩$ 后向传播回 $0$，同样存边界态；
3. 对每个 $(l,n)$ 计算解析梯度 $\partial J/\partial {ϵ}_{l,n}$；
4. 用 L-BFGS-B（或其他线搜索梯度法）更新全部 ${ϵ}_{l,n}$；
5. 重复直到误差低于阈值或不再改善。

计算开销约为每轮”输入态数 + 目标态数”次完整传播，内存需存储 $O(N_T)$ 个边界态；利用幺正性的共轭转置性质配合自动微分可以降低内存，Krylov 近似的矩阵指数则把 GRAPE 推向高维希尔伯特空间 Koch 2022。自动微分框架（如 JAX）可直接实现 GRAPE 并任意扩展目标泛函，例如对里德堡多体奇偶门加入平滑正则项的优化 Kazemi 2025。

与 CRAB 的分工：GRAPE 每个时间片都是独立变量，精度上限高，但参数多、不适合直接放在实验闭环里（每片都要实验数据去估计就不可承受）；CRAB/DCRAB 反其道用十来个参数换取闭环可行性 Müller 2022。

“顺序 GRAPE”与混合方案：把并发梯度中的前向态换成用本轮已更新场传播的态，可得到介于 GRAPE 与 Krotov 之间的”sequential GRAPE”及更一般的混合格式；这一族实现对梯度自由度的插拨使逐片更新与顺序更新可以在同一次优化中交错 Goerz 2019。

参数与量级

量	典型值	来源
时间片数 $N_T$	$10^2-10^3$（门时长的采样率决定）	Koch 2022
单轮传播次数	输入态数 + 伴随态数（两比特门为 8 次）	Goerz 2019
收敛保证	无单调保证（GRAPE-LBFGS 经验近单调）	Goerz 2019
里德堡多体门优化	分段常数 GRAPE + 平滑正则（权重 ${\eta }_{\delta }$）	Kazemi 2025
每片梯度计算成本	一次矩阵乘 + 一个内积（$O(d^2)$，$d$ 为维度）	Goerz 2019

与其他概念的关系

• GRAPE 是 量子最优控制框架四大家族之一；与顺序更新的 Krotov 方法共享伴随态数学，差别在并发 vs 顺序。
• 用随机基截断参数替代逐片自由度，就得到闭环友好的 CRAB/DCRAB。
• 分段常数波形的高频拐角会带来频谱泄漏，可与 解析整形脉冲或 DRAG 泄漏抑制互补使用。
• 把噪声采样 ensemble 写进泛函即 鲁棒最优控制；优化结果与理论模型的偏差交由 门标定闭环修正。
• 目标侧：GRAPE 优化的对象可以是 阻塞 CZ 门、奇偶相位门乃至包含局域补偿的 门相位目标。

参考文献

• N. Khaneja, T. Reiss, C. Kehlet, T. Schulte-Herbrüggen, S. J. Glaser, “Optimal control of coupled spin dynamics: design of NMR pulse sequences by gradient ascent algorithms”, Journal of Magnetic Resonance (2005). NA049 · DOI 10.1016/j.jmr.2004.11.004
• C. P. Koch, U. Boscain, T. Calarco, et al., “Quantum optimal control in quantum technologies. Strategic report on current status, visions and goals for research in Europe”, EPJ Quantum Technology 9, 19 (2022). NA007 · DOI 10.1140/epjqt/s40507-022-00138-x
• M. H. Goerz, F. Basilewitsch, F. Gago-Encinas, et al., “Krotov: A Python implementation of Krotov’s method for quantum optimal control”, SciPost Phys. 7, 080 (2019). Goerz 2019 · DOI 10.21468/SciPostPhys.7.6.080
• 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
• J. Kazemi, M. Schuler, C. Ertler, W. Lechner, “Multiqubit parity gates for Rydberg atoms in various configurations”, PR Research 7, 033269 (2025). Kazemi 2025 · DOI 10.1103/56qk-rmsz