Krotov 与 GOAT 方法｜中性原子量子计算知识库

Krotov 方法在泛函里"加一个零"，构造出每步必降目标泛函的顺序更新；GOAT 则把薛定谔方程对脉冲参数求导，让传播子与其梯度一起向前积分——两者都是为了把门推到极高保真度的精度导向路线。

问题背景

变分法给出的场更新 $Δ ϵ (t) \propto Im ⟨ χ (t) ∣ \overset{μ}{^} ∣ φ (t)⟩$ 是隐式的： $φ$ 、 $χ$ 本身依赖于待求的 $ϵ$ 。把方程显式化的两种朴素做法（并发离散化、或用上一轮场做”替换式”更新）都不保证每步变好，需要线搜索且可能震荡。Krotov 的处理极为巧妙：给泛函加上一个恒为零的二次项（用参考场写出），从而构造出在连续时间极限下可证明单调收敛的更新规则 Goerz 2019。该方法源自 Krotov 的整体最优控制理论，经 Tannor、Zhu–Rabitz 与 Konnov–Krotov 等工作引入量子领域并确立单调收敛性质 Werschnik 2007 Müller 2022。

GOAT（gradient optimization of analytic controls，Machnes 等 2018）回应的是另一组痛点：分段常数波形参数多、频谱不受控、标定昂贵；而实验真正需要的是少参数、解析、可校准的脉冲。GOAT 直接以解析 ansatz 的参数 $α$ 为优化变量，把梯度方程与状态方程一起前向积分 Machnes 2018。

理论模型

Krotov：单调收敛的顺序更新

Krotov 形式的泛函（量子最优控制框架中的 $J$ ）为

J [{∣ φ_{k} (t)⟩}, {ϵ_{l} (t)}] = J_{T} ({∣ φ_{k} (T)⟩}) + l \sum \int_{0}^{T} g_{a} (ϵ_{l} (t)) d t + \int_{0}^{T} g_{b} ({∣ φ_{k} (t)⟩}) d t,

常用的末时泛函如 $J_{T, ss} = 1 - ∣ ⟨ φ_{tgt} ∣ φ (T)⟩ ∣^{2}$ （态转移）与 $J_{T, re} = 1 - \frac{1}{N} Re \sum_{k} τ_{k}$ （幺正门）；运行代价 $g_{a} = \frac{λ _{a}}{2} (Δ ϵ S (t))^{2}$ 含逆步宽 $λ_{a} > 0$ 与更新形状函数 $S (t) \in [0, 1]$ （常取 Blackman 边沿以保持场在 $0, T$ 处为零） Goerz 2019。

其迭代更新为

ϵ_{l}^{(i)} (t) = ϵ_{l}^{(i - 1)} (t) + Δ ϵ_{l}^{(i)} (t), Δ ϵ_{l}^{(i)} (t) \propto \frac{S ( t )}{λ _{a}} Im k \sum ⟨ χ_{k}^{(i - 1)} (t) \overset{μ}{^}_{l} φ_{k}^{(i)} (t) ⟩,

关键在不对称性：伴随态 $χ_{k}^{(i - 1)}$ 用上一轮的猜测场后向传播，而 $φ_{k}^{(i)}$ 用本轮已更新的场前向传播——时刻 $t$ 的更新用到了此前所有时刻的新信息，故称顺序更新（sequential）。正是这一构造（配合”加零”技巧）给出保证

J^{(i)} \leq J^{(i - 1)}

在连续极限下严格成立，且无需线搜索确定步宽 Goerz 2019。额外的好处：更换末时泛函 $J_{T}$ 只改变后向传播的边界条件 $χ_{k} (T)$ ，更新方程本身不变；顺序更新在远离最优点时通常比并发更新（GRAPE）收敛更快。弱点是一阶梯度在接近最优时变小（可用准 Hessian 扩展”K-BFGS”），以及对物理上突变的 bang-bang 控制可能失效 Goerz 2019。

开放系统：把 $∣ φ_{k} ⟩$ 换成密度算符、演化换成受控 Lindblad 动力学即可，Krotov 方法对开放系统同样有先验单调收敛保证；Liouville 空间的门目标泛函见 Koch 2016。把 ensemble 平均误差写进 $J_{T}$ 并在 Liouville 空间传播，即得里德堡门的 ensemble 鲁棒优化方案 Goerz 2014，详见鲁棒最优控制。

GOAT：与状态一起传播的导数

设控制哈密顿量由解析函数给出

\hat{H} (α, t) = \hat{H}_{0} + k \sum c_{k} (α, t) \hat{H}_{k}, c_{k} = j \sum A_{k, j} e^{- (t - τ_{k, j})^{2} / σ_{k, j}^{2}},

参数向量 $α = {A_{k, j}, τ_{k, j}, σ_{k, j}}$ （Fourier 或 erf 基同样常用）。以投影幺正距离为损失

g (α) = 1 - \frac{tr ( U ^ _{goal}^{†} U ^ ( α , T ) )}{dim U},

对运动方程 $\partial_{t} U = - \frac{i}{ℏ} H U$ 两边求参数导数并交换求导次序，得到传播子与其导数的耦合方程组

\partial_{t} (\frac{\partial U}{\partial α}) = - \frac{i}{ℏ} (\frac{\partial H}{\partial α} U + H \frac{\partial U}{\partial α})

初始条件 $U (0) = 1$ 、 $\partial_{α} U (0) = 0$ ；梯度则为 $\partial_{α} g = - Re tr (U_{goal}^{†} \partial_{α} U) /∣ g ∣ dim U$ 。整条方程组可用自适应 Runge–Kutta 一次前向积分完成——不需要任何后向传播 Machnes 2018。代价随参数数 $N = ∣ {α_{m}} ∣$ 线性增长：每轮需 $N$ 个”态–梯度对”的前向传播，也可拼进一个维度放大 $N$ 倍的大希尔伯特空间一次性积分 Goerz 2019。实验约束（幅度上下限、窗口包络）通过参数映射（如 $α \mapsto \frac{v _{m a x} - v _{m i n}}{2} sin α + \frac{v _{m a x} + v _{m i n}}{2}$ ）与链式法则进入梯度 Machnes 2018。

方法与实现

Krotov 流程：选初始猜测场与 $λ_{a}$ 、 $S (t)$ → 前向传播所有 $∣ φ_{k}^{(i)} ⟩$ （每步用当场更新的 $ϵ^{(i)} (t)$ ）→ 反推边界条件 $χ_{k} (T)$ → 后向传播 $χ_{k}^{(i - 1)}$ → 沿途累积更新 $Δ ϵ (t)$ → 重复。开源于 krotov Python 包（与 QuTiP 兼容） Goerz 2019。实际中”少参数预优化（Nelder–Mead）+ Krotov 精修”的两阶段混合方案能显著降低对初值的敏感度 Goerz 2015。

GOAT 流程：选 ansatz 与初值 $α$ → 前向积分 $U$ 与 ${\partial_{α} U}$ → 一次 L-BFGS 步更新全部参数 → 重复至目标误差。超导 flux-tunable qubit 的 CZ 门基准：16 个 erf 参数、在 $g$ 与非谐性 $η$ 存在 $3%$ 均方失准的模型中，多数实例只需几百次（上限约 1500 次）保真度测量即可把门校准到 Markov 退相干决定的 $1 0^{- 3}$ 极限，脉冲参数少使标定开销降低一个数量级 Machnes 2018。

里德堡应用：Krotov 方法最早被用于优化含里德堡阻塞的两比特纠缠门（在局域等价类上定义目标） Müller 2011；同一乌尔姆团队在 Müller 2014 中改用直接搜索（梯度下降 + Nelder–Mead 单纯形）优化实验可调的 Gaussian 脉冲参数：消绝热模型下门保真度由未优化的 $\sim 89%$ 提升到 $99.9%$ 以上（一个代表算例不保真度 $3.8 \times 1 0^{- 4}$ ），计入有限温度原子运动等实验约束后模型保真度约 $98%$ 、若消除运动误差预计约 $99%$ Müller 2014。GOAT 式的”少参数解析控制 + 梯度”思路与里德堡门的固定幅度相位调制路线（ORMD/ARMD）高度兼容，只是把哈密顿量与噪声模型换成里德堡平台 Machnes 2018。

参数与量级

量	典型值	来源
Krotov 收敛性质	连续极限下单调 $J^{(i)} \leq J^{(i - 1)}$ ，无需线搜索	Goerz 2019
Krotov 步宽 $λ_{a}$	过大收敛慢、过小数值不稳定	Goerz 2019
GOAT 每轮传播次数	$N$ 个参数 $\Rightarrow N$ 次前向传播（或维度放大 $N$ 倍合一次）	Goerz 2019
GOAT 超导 CZ 标定	16 参数，多数实例几百至 $≲ 1500$ 次测量达 $1 0^{- 3}$	Machnes 2018
直接搜索优化的里德堡 CZ（模型）	$\sim 89% \to> 99.9%$ （消绝热模型）；含运动约束约 $98%$	Müller 2014
开放系统优化	Liouville 空间传播，Krotov 仍保单调收敛	Koch 2016

与其他概念的关系

Krotov（顺序、单调）与 GRAPE（并发、分段常数）是梯度法的两条主线，共享伴随态数学；GOAT 用前向模式微分替代伴随态。
三者与 CRAB/DCRAB 的少参数直接搜索互补：CRAB 的 ansatz 可交给 GOAT 求梯度，也可作 Krotov 的初值（混合优化） Goerz 2015。
目标泛函、开放系统与景观理论的总纲见量子最优控制框架；把参数不确定性写进 $J_{T}$ 即鲁棒最优控制。
里德堡落点：阻塞 CZ 门的脉冲整形与局域相位处理见门相位与局域等价；与解析波形家族解析整形脉冲、ORMD/ARMD、STA 与几何门相互竞争又相互借鉴。
优化得到的波形仍需通过误差预算与真实建模与门标定闭环的检验。

参考文献

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
S. Machnes, E. Assémat, D. Tannor, F. K. Wilhelm, “Tunable, Flexible, and Efficient Optimization of Control Pulses for Practical Qubits”, Phys. Rev. Lett. 120, 150401 (2018). Machnes 2018 · DOI 10.1103/PhysRevLett.120.150401
J. Werschnik, E. K. U. Gross, “Quantum optimal control theory”, J. Phys. B 40 (2007). Werschnik 2007 · DOI 10.1088/0953-4075/40/18/r01
C. P. Koch, “Controlling open quantum systems: tools, achievements, and limitations”, J. Phys.: Condens. Matter 28, 213001 (2016). Koch 2016 · DOI 10.1088/0953-8984/28/21/213001
M. H. Goerz, E. J. Halperin, J. M. Aytac, C. P. Koch, K. B. Whaley, “Robustness of high-fidelity Rydberg gates with single-site addressability”, Phys. Rev. A 90, 032329 (2014). Goerz 2014 · DOI 10.1103/PhysRevA.90.032329
M. H. Goerz, K. B. Whaley, C. P. Koch, “Hybrid optimization schemes for quantum control”, EPJ Quantum Technology 2, 21 (2015). Goerz 2015 · DOI 10.1140/epjqt/s40507-015-0034-0
M. M. Müller, D. M. Reich, M. Murphy, H. Yuan, J. M. Vala, K. B. Whaley, T. Calarco, C. P. Koch, “Optimizing entangling quantum gates for physical systems”, Phys. Rev. A 84, 042315 (2011). Müller 2011 · DOI 10.1103/PhysRevA.84.042315
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

Krotov 与 GOAT 方法