Fast design and scaling of multi-qubit gates in large-scale trapped-ion quantum computers

Technische Zusammenfassung: Schnelles Design und Skalierung von Multiqubit-Gates in großskaligen Fallen-Ionen-Quantencomputern

Problemstellung
Fallen-Ionen-Quantencomputer bieten weitreichende Konnektivität und lange Kohärenzzeiten, was sie zu einer führenden Plattform für die Quantenberechnung macht. Die Skalierung dieser Systeme auf hunderte Ionen stellt jedoch eine erhebliche konzeptionelle und technologische Herausforderung dar. Während die Ionen eine All-zu-alle-Konnektivität über ihre kollektiven Bewegungsmodi (Phononenbus) besitzen, ist das Design hochgradig präziser, programmierbarer Multiqubit-Verschränkungs-Gates für große Kristalle rechnerisch prohibitiv.

Der Kern der Schwierigkeit liegt im Design-Problem der Gates: Das Finden eines Satzes von Steuerantrieben, die gleichzeitig $N(N-1)/2$ quadratische Nebenbedingungen (Ziel-Verschränkungsphasen zwischen allen Qubit-Paaren) erfüllen und gleichzeitig die Antriebsleistung minimieren sowie sicherstellen, dass die Bewegungsmodi in den Grundzustand zurückkehren. Dies wird als ein quadratisch beschränktes Optimierungsproblem formuliert, das mit der Anzahl der Ionen $N$ als $N^2$ skaliert und somit ein NP-hartes Problem darstellt. Bestehende Ansätze beschränken das Problem oft auf kleine Teilmengen von Ionen oder verlassen sich auf gradientenbasierte Minimierungsalgorithmen, die mit der Komplexität und den Nebenbedingungen großer Systeme Schwierigkeiten haben.

Methodik: Die Large-Scale Fast (LSF) Methode
Die Autoren führen einen methodischen Rahmen namens „Large-Scale Fast“ (LSF) ein, um die NP-harte Natur des Gate-Design-Problems zu mildern und so das polynomielle Design robuster, programmierbarer Gates für Kristalle mit bis zu hunderten von Ionen zu ermöglichen.

1. Formulierung im Spektralbereich: Das Gate-Design wird im Spektralbereich formuliert, wobei die Antriebsfelder als Summe von Fourier-Komponenten dargestellt werden, die um die Qubit-Übergangsfrequenz detuned sind. Das Problem wird auf das Finden eines Vektors $R$ (Amplituden der Antriebstöne) reduziert, der die Norm $\|R\|$ minimiert, unter Einhaltung linearer Nebenbedingungen (verschwindende Bewegungsverschiebungen) und quadratischer Nebenbedingungen (Ziel-Verschränkungsphasen $\phi_{nn'}$).
2. Zero-Phase Solution (ZPS) Seed: Die LSF-Methode beruht auf der Generierung einer „Seed“-Lösung, bekannt als Zero-Phase Solution (ZPS). Eine ZPS ist eine nicht-triviale Lösung des homogenen Problems, bei dem alle Ziel-Verschränkungsphasen Null sind ($\phi^{(0)}_s = 0$). Diese Lösungen werden vor dem Lösen für spezifische Ziel-Gates akkumuliert.
3. Konvertierung und Optimierung: Der Algorithmus erfolgt in zwei Hauptschritten:
   • Konvertierung: Eine ZPS wird mit einem großen Faktor $\lambda$ skaliert und durch einen kleinen Vektor $D$ gestört, um die Ziel-quadratischen Nebenbedingungen zu erfüllen. Durch die Linearisierung der Nebenbedingungen um die skalierte ZPS leiten die Autoren ein lineares System her, um $D$ zu lösen, wodurch die ZPS in eine approximative Lösung $R_{conv}$ konvertiert wird, welche die Zielphasen erfüllt.
   • Normreduktion: Ein iterativer Prozess minimiert die Norm des Lösungsvektors unter strikter Einhaltung der Nebenbedingungen. Dies beinhaltet das Alternieren zwischen „normreduzierenden“ Schritten (Bewegung entlang der Lösungs-Mannigfaltigkeit zur Reduktion der Leistung) und „fehlerreduzierenden“ Schritten (Korrektur von Abweichungen von den Zielphasen). Die Schrittweiten werden analytisch unter Verwendung von Polynomwurzel-Finder-Methoden (Cardano- und Ferrari-Methoden) berechnet, um sicherzustellen, dass der Fehler innerhalb einer spezifizierten Toleranz (typischerweise $10^{-4}$) bleibt.
4. Aggregation: Die Methode aggregiert mehrere ZPSs, um einen diversen Suchraum zu gewährleisten, was es dem Algorithmus ermöglicht, effiziente Lösungen für verschiedene Verschränkungskarten zu finden.

Wesentliche Beiträge und Ergebnisse

• Polynomielle Skalierung: Die LSF-Methode transformiert das NP-harte Design-Problem in eine Aufgabe der Generierung von ZPSs (die effizient für spezifische Symmetrien durchgeführt werden können), gefolgt von einer effizienten polynomiellem Zeit-Optimierung. Benchmarks zeigen, dass LSF eine Zeit-bis-zur-Lösung erreicht, die etwa eine Größenordnung schneller ist als Standard-Trust-Region-Constrained- und Conjugate-Gradient-Optimizer, insbesondere für Systeme mit $N > 20$ Ionen.
• Antriebsleistungsschätzung: Die Autoren leiten einen heuristischen Schätzer für die gesamte Rabi-Frequenz ($\Omega_{nuc}$) ab, die erforderlich ist, um ein Gate anzutreiben. Dieser Schätzer hängt von der nuklearen Norm der Ziel-Verschränkungsmatrix $\|\phi\|_{nuc}$ ab und skaliert linear mit der Anzahl der Ionen $N$. Bemerkenswerterweise zeigen Simulationen, dass die erforderliche Antriebsleistung weitgehend unabhängig von der spezifischen Modenstruktur oder dem Frequenzabstand ist und sich auf eine universelle Kurve kollabiert, wenn sie durch die durchschnittliche Modendichte-Zeitskala $T_\nu$ normalisiert wird.
• Minimale Gate-Zeit ($T_{min}$): Die Studie identifiziert eine fundamentale untere Grenze für die Gate-Dauer. Unterhalb einer kritischen Zeit $T_{min} \approx 2.9 \cdot T_\nu$ (wobei $T_\nu$ proportional zum Kehrwert des durchschnittlichen Modenabstands ist) können keine High-Fidelity-Lösungen gefunden werden. Entscheidend ist, dass $T_{min}$ linear mit der Anzahl der Ionen $N$ skaliert. Dies impliziert, dass während die Anzahl der simultanen Verschränkungsoperationen als $N^2$ skaliert, die Gate-Dauer nur als $N$ skaliert, was einen Skalierungsvorteil gegenüber sequentiellen Gate-Implementierungen bietet.
• Feerskalierungsanalyse: Die Arbeit quantifiziert den Einfluss von drei dominanten Fehlerquellen auf die Gate-Fidelität:
  • Drift der Bewegungsmoden-Frequenzen: Fehler skalieren quadratisch mit dem Frequenzdrift und der Anzahl der Kopplungen ($N^2$).
  • Fluktuationen der Antriebsamplitude: Fehler skalieren mit der Varianz des Rauschens und der Anzahl der Kopplungen.
  • Bewegungsheizung (Motional Heating): Die Skalierung von durch Heizung induzierten Fehlern hängt von der räumlichen Korrelation des Rauschens ab. Bei unkorreliertem Rauschen sinkt die Fidelität quadratisch mit $N$; bei stark korreliertem Rauschen sinkt sie linear.
    Das LSF-Framework ermöglicht die Einbeziehung linearer Nebenbedingungen, um Gates gegen diese Fehler zu robustisieren, was die Empfindlichkeit gegenüber Drifts und Heizung signifikant reduziert.
• Surface-Code-Beispiel: Die Methode wird an einem 49-Ionen-Kristall demonstriert, um ein Surface-Code-Stabilisator-Gate zu implementieren (Verschränkung von 33 Ionen in einem einzigen Puls). Die Lösung zeigt eine effiziente Leistungsverteilung, wobei höhere Antriebsamplituden an „Knoten“-Ionen und niedrigere Amplituden an „Rand“-Ionen zugewiesen werden, und unterdrückt effektiv unerwünschte Kreuz-Verschränkungen zwischen getrennten Paaren.

Bedeutung und Behauptungen
Das Paper behauptet, einen Weg zur Skalierung von Fallen-Ionen-Quantencomputern auf hunderte Qubits aufzuzeigen, indem es die konzeptionelle Barriere des Designs von Multiqubit-Gates überwindet. Durch Bereitstellung eines schnellen, robusten Algorithmus (LSF) ermöglicht die Arbeit den Offline-Compiling von Schaltkreisen, die Zehn oder mehr Ionen und komplexe Multiqubit-Gates involvieren – eine Aufgabe, die zuvor aufgrund der NP-harten Natur der Optimierung als unüberwindbar galt.

Die Arbeit etabliert, dass High-Fidelity-Multiqubit-Gates für große Kristalle physikalisch machbar sind, sofern die Gate-Zeit die linear skalierende Schwelle $T_{min}$ überschreitet. Darüber hinaus liefern die abgeleiteten Beziehungen zwischen Antriebsleistung, Gate-Zeit und Fehlerquellen praktische Design-Richtlinien und Toleranzen für Experimentalisten. Die Autoren merken an, dass ihre Methode zwar die dominanten Fehlermechanismen innerhalb der Lamb-Dicke-Näherung behandelt, Interaktionen mit Qubit-Trägern und Terme höherer Ordnung in der Magnus-Entwicklung für High-Amplitude-Lösungen jedoch weiterer Verifizierung bedürfen. Das Framework wird als grundlegendes Werkzeug präsentiert, um das Potenzial der weitreichenden Konnektivität in Fallen-Ionen-Architekturen für Quantenfehlerkorrektur und Optimierungsanwendungen zu realisieren.