（本报记者 观察 杭州萧山·无问清芯实验室）

在中性原子量子计算里，最不“量子”的部分，往往决定它能不能走出论文。

激光器看起来只是“光”，但它一旦在频率上有微小的晃动——哪怕只有几赫兹到几千赫兹的漂移——就会沿着光路直接灌进里德堡能级，把精心准备的量子叠加态“洗”成噪声。实验室老手管这种现象叫退相干：量子比特还在，但信息已经糊了。

“很多问题都长在光路上，但根在频率参考和控制环路的决策方式上。”许一力说，“我们要做的，不是把激光器换得更贵，而是把锁频这件事变聪明。”

（上图：许一力于实验室）

一个老问题的新难点：AI任务一来，PID就“慢半拍”

传统的激光稳频，主流做法是PID控制器盯住PDH误差信号（激光频率与参考腔的偏差），然后去推PZT或AOM把频率“拉回来”。

问题在哪？

被动响应：它总是等偏差发生了再去补偿，本质上滞后。

参数固化：环境慢变（空调启停、水冷机振动、腔体温漂）会让“合适参数”悄悄变“不合适”，但它自己不知道。

不认任务：AI/里德堡运算有时候要求一段很长的相干窗口，有时又需要环路响应快……但PID看不到“接下来要跑什么”。

无问清芯最近公开的一件进入实审的发明专利——《基于强化学习的原子阵列主动退相干抑制方法及激光稳频控制装置》——瞄准的就是这个“控制哲学”层面的短板：

把稳频从“被动纠偏”升级为“带上下文的预测性决策”，而且把决策做进微秒级硬件，而不是交给容易抖动的软件栈。

这件专利到底“发明了什么新东西”

用一句话概括：在激光—参考腔的PDH稳频环路里，塞入一块固化了深度强化学习模型（DQN）的FPGA，让它同时“看环境”和“看任务”，输出对PZT/AOM/环路带宽的可执行动作，形成可在线更新的硬件闭环。

1）装置长什么样：把DQN“焊”进硬件链路，不飘在软件里

专利描述的装置链很硬核：

光学频率参考单元：超高精细度参考腔（Finesse>200k）提供“绝对频率锚点”；PDH解调单元把激光与腔的偏差变成可计算的误差信号。

多级执行器单元：

慢臂：PZT高压驱动（DC~kHz级），吃大范围温漂；

快臂：AOM的射频频率/幅度（DC~MHz级），压高频相位抖动。

AI任务接口：关键一步——上层量子编译器/调度器会告诉它：“接下来这段里德堡演化大约多长、对相位噪声有多敏感”。

最核心的发明点在这里——

嵌入式强化学习决策单元：一片FPGA（例如Xilinx Zynq UltraScale+级别）上，用硬件描述语言把DQN的前向推理做成专用数字逻辑电路；它从ADC实时拿PDH误差、温度/振动等环境信号，再从任务接口拿“任务上下文”，输出动作给DAC→PZT/AOM。

权重可在线热更新（由外部训练服务器验算安全后再下发），但推理本身不掉进操作系统调度不确定性里。

换句话说：它保护的不只是“激光频率”，更保护的是量子比特相干时间的确定性。

2）它怎么“预测性”干活：状态—动作—奖励，写得像物理闭环，不是玄学

发明把控制问题重新表述成强化学习的语言，但每一步都绑着硬件可测物理量：

状态s_t（100μs级刷新）包含：

PDH误差的均方根、频谱重心（频率噪声“长相”）

温度变化率dT/dt、振动加速度峰值

以及一个很特别的量：AI任务时长敏感度因子α（任务是否需要把相位噪声压到极低）

动作空间A（硬件可执行）包括：

PZT电压微调、AOM频率微调

PID增益微调节

锁定带宽模式切换：比如切到“高带宽模式（~MHz）”或“低带宽模式（~10kHz）”

奖励函数r_t则把物理目标说得很直白：

压低PDH误差、惩罚环境扰动、用Ramsey式估算盯住相干时间恢复，再加一个“任务成功”的稀疏大奖。

3）一个最能说明问题的例子（专利实施例）

假设实验室正要执行一段120μs的连续里德堡演化，要求相干时间≥150μs。系统检测到：PDH噪声走高、且空调周期启动带来慢升温——DQN选择把锁定带宽切到低带宽模式（10kHz），宁可牺牲一点响应速度，也要把伺服自身引入的高频噪声“压下去”。

结果：PDH误差均方根下降，相干时间回升到约195μs，任务完成。

传统PID只会按“当前误差大小”去推比例/积分，多半不会主动“为接下来一段演化”提前换挡。而这个装置在看到环境趋势+任务需求后，做了一个策略性动作：带宽换挡——像老司机根据坡度与载重提前降挡。

为什么这关难过、为什么值得写专利

业内人都知道，中性原子的“高保真”不只来自原子选得好，而来自整个光电—环境—控制链的纪律性：

激光噪声不压住，里德堡门保真度到99.9%就是空中楼阁；保真度上不去，逻辑比特、纠错、长程序就无从谈起。

许一力把他们这套思路概括为“锁相环也要进入任务感知时代”。

“我们叫它物理本征方法论的落地方式之一：先把系统里真正决定退相干的本征变量揪出来——频率误差、环境慢变量、任务对噪声的容忍边界——然后用可验证的硬件闭环去锁住它们。”他对记者说，“DQN在这里不是噱头，它干的事很具体：在微秒尺度上替你做‘换挡决策’，而且决策规则能从实际数据里越跑越准。”

采访侧记：专利背后是一次“把AI反过来服务量子硬件”的实验

在无问清芯的走廊里，白板上还留着一行字：“别让任务不说话。”

这件专利最值得注意的信号也在这：它让“AI任务是什么”成为激光控制环路的输入之一。量子计算要走向长程序、走向服务化，硬件控制就得学会“看日历、看工况、看任务”。无问清芯把这件事做成了一件可申请的装置权利，而不只是跑在服务器里的脚本。

许一力：“光很便宜，频率的纪律很贵；我们把纪律做成硬件，量子态才敢在这儿久一点。”

（完）