Quantum Feature Space of a Qubit Coupled to a Classical Stochastic Environment

Quantencomputer bergen das Versprechen, Probleme zu lösen, die selbst für die leistungsstärksten Supercomputer derzeit unmöglich sind. Diese Maschinen sind jedoch unglaublich fragil. Die grundlegenden Informationseinheiten, bekannt als Qubits, werden leicht durch ihre Umgebung gestört. So wie ein Kreisel schließlich aufgrund von Reibung durch die Luft oder den Tisch wackelt und umkippt, verliert ein Qubit seine Information, wenn es mit unerwskommenem Rauschen aus seiner Umgebung interagiert. Dieser Verlust der Kohärenz ist das primäre Hindernis, das verhindert, dass Quantencomputer zu zuverlässigen Werkzeugen werden. Um dies zu beheben, müssen Wissenschaftler die spezifische Art des Rauschens verstehen, das ihre Maschinen beeinflusst. Traditionell war es ein langsamer, ressourcenintensiver Prozess, genau herauszufinden, welche Art von Rauschen vorhanden ist, was erforderte, dass der Computer tausende von leicht unterschiedlichen Tests durchführte, um das Problem abzubilden.

Ein Forschungsteam hat nun eine schnellere, einfachere Methode vorgeschlagen, um diese Störungen zu diagnostizieren. Anstatt erschöpfende Tests durchzuführen, um eine vollständige Karte des Rauschens zu rekonstruieren, entwickelten sie eine Methode, die aus einer einzigen, standardmäßigen Testsequenz eine kleine, spezifische Menge an Hinweisen extrahiert. Indem sie diese Hinweise in ein einfaches Computerprogramm einspeisen, können sie schnell die breite Kategorie des das Qubit beeinflussenden Rauschens identifizieren und sogar spezifische Merkmale, wie etwa die Frequenz einer bestimmten Störung, lokalisieren. In Simulationen, die realistische Hardwarefehler beinhalteten, identifizierte dieser neue Ansatz die Art des Rauschens zu etwa 90 Prozent korrekt, was einen potenziellen Abkürzungsweg darstellt, um die Quantenhardware auf Kurs und funktionsfähig zu halten.

Die Herausforderung bei der Aufrechterhaltung eines Quantencomputers besteht darin, dass Rauschen kein einzelnes, statisches Problem ist; es verändert sich im Laufe der Zeit und variiert von einer Maschine zur anderen. Um dem entgegenzuwirken, nutzen Wissenschaftler eine Technik namens dynamische Entkopplung (Dynamical Decoupling), bei der eine Serie von Kontrollpulsen auf das Qubit angewendet wird, um es vor der Umgebung abzuschirmen. In der Vergangenheit mussten Forscher, um das Rauschen zu verstehen, diese Pulssequenzen mit vielen verschiedenen Zeitverzögerungen durchführen und dabei eine enorme Menge an Daten sammeln, um ein vollständiges Bild des Rauschspektrums aufzubauen. Dieser Prozess ist vergleichbar mit dem Versuch, ein Lied zu identifizieren, indem man jede einzelne Note bei jeder möglichen Geschwindigkeit hört, was viel Zeit in Anspruch nimmt und die begrenzte Lebensdauer der fragilen Quantenhardware verbraucht. Neuere Versuche, dies zu beschleunigen, beinhalteten den Einsatz komplexer Modelle der künstlichen Intelligenz, aber diese Modelle waren ihrerseits schwierig zu trainieren und erforderten massive Mengen an Daten, was einen neuen Engpass schuf.

Die Forscher hinter dieser neuen Studie, angeführt von Chris Wise und Kollegen, entschieden sich dafür, sowohl die erschöpfenden Tests als auch die schwere künstliche Intelligenz zu umgehen. Sie konzentrierten sich auf ein Konzept, das sie einen „Quanten-Merkmalsraum“ (Quantum Feature Space) nennen. Stellen Sie sich vor, Sie machen eine einzige Momentaufnahme des Verhaltens des Qubits, nachdem es einer spezifischen Kontrollsequenz unterzogen wurde. Anstatt zu versuchen, die gesamte Rauschhistorie rückwärts zu entwickeln, betrachteten sie neun spezifische Zahlen, die beschreiben, wie das Qubit reagierte. Diese neun Zahlen erfassen die wesentliche Interaktion zwischen dem Qubit und seiner verrauschten Umgebung. Durch die Organisation dieser neun Zahlen in einer strukturierten Liste erstellten sie eine kompakte Signatur des Rauschens. Diese Signatur ist reichhaltig genug, um zwischen verschiedenen Arten von Rauschen zu unterscheiden, wie etwa dem verbreiteten niederfrequenten Brummen in supraleitenden Schaltkreisen gegenüber anderen, komplexeren Mustern, ohne dass die gesamte Detailtiefe des Rauschens bekannt sein muss.

Um zu testen, ob diese Idee funktionierte, führten die Forscher umfangreiche Computersimulationen durch. Sie erstellten einen virtuellen Quantencomputer und setzten ihn verschiedenen Arten von Rauschen aus, einschließlich des verbreiteten 1/f-Rauschens und Rauschen mit spezifischen Resonanzspitzen. Sie simulierten auch die Arten von Fehlern, die in echten Maschinen auftreten, wie etwa leichte Schwankungen im Timing der Kontrollpulse und Fehler beim Auslesen des Endzustands des Qubits. Sie speisten die neun-Zahlen-Signaturen aus diesen Simulationen dann in einen einfachen maschinellen Lernalgorithmus namens Random Forest ein. Dieser Algorithmus ist wesentlich weniger komplex als die Deep-Neural-Networks, die in früheren Studien verwendet wurden. Die Ergebnisse waren beeindruckend: Der einfache Algorithmus klassifizierte den Typ des Rauschens mit einer Genauigkeit von etwa 90 Prozent korrekt, selbst wenn die simulierte Hardware mit erheblichen Fehlern belastet war. Er konnte zudem mit nahezu perfekter Genauigkeit bestimmen, ob das Rauschen über die Zeit konstant war oder sich veränderte.

Über das bloße Sortieren von Rauschen in Kategorien hinaus zeigten die Forscher, dass diese Methode auch spezifische Details identifizieren kann. Wenn das Rauschen eine spezifische Resonanz enthielt, wie etwa einen Peak bei einer bestimmten Frequenz, konnte das Team diese finden, indem es die neun-Zahlen-Signatur des unbekannten Rauschens mit einer Bibliothek bekannter Signaturen verglich. Sie fanden heraus, dass der Abstand zwischen der unbekannten Signatur und der korrekten Übereinstimmung in ihrer Bibliothek am geringsten war, was es ermöglichte, die exakte Frequenz der Störung zu bestimmen. Dies deutet darauf hin, dass die Methode dazu verwendet werden könnte, Kontrollpulse schnell abzustimmen, um spezifische Rauschquellen zu kompensieren – ein Prozess, der entscheidend für die Verbesserung der Leistung von Quantencomputern ist.

Die Studie schließt explizit die Notwendigkeit der teuren, datenhungrigen neuronalen Netze aus, die in den letzten Jahren populär geworden sind. Die Autoren argumentieren, dass diese komplexen Modelle für diese Aufgabe oft überdimensioniert sind und nicht gut skalieren, wenn Quantencomputer größer werden. Stattdessen zeigt ihr Ansatz, dass ein einfacher, effizienter Algorithmus in Kombination mit einer einzigen Pulssequenz für die Aufgabe ausreichend ist. Sie stellten auch klar, dass ihre Methode zwar exzellent für die Identifizierung breiter Rauschklassen und spezifischer Parameter ist, aber nicht darauf ausgelegt ist, die gesamte kontinuierliche Form des Rauschspektrums mit perfekter Detailgenauigkeit zu rekonstruieren. Das Ziel ist nicht, eine perfekte Kurve des Rauschens zu zeichnen, sondern schnell die praktischen Fragen zu beantworten: Was ist das für ein Rauschen, und wo liegen die Schwachstellen?

Diese Arbeit verbleibt im Bereich der Simulation, was bedeutet, dass die Ergebnisse auf klassischen Computern modelliert wurden, die das Verhalten von Quanten simulieren, anstatt auf physischer Quantenhardware. Die Simulationen waren jedoch rigoros und beinhalteten realistische Fehlerraten sowie Hardwarebeschränkungen, die den aktuellen Stand der Technik widerspiegeln. Die Autoren merken an, dass der nächste Schritt darin besteht, diese Sequenzen auf tatsächlichen Quantenprozessoren auszuführen, um zu sehen, wie sich die Methode gegenüber dem unvorhersehbaren Crosstalk und den Umweltfaktoren realer Geräte behauptet. Sollte dies erfolgreich sein, könnte diese Technik zu einem Standarddiagnosewerkzeug werden, das es Ingenieuren ermöglicht, die Gesundheit ihrer Quantenmaschinen schnell zu überprüfen und ihre Steuerungen in Echtzeit anzupassen, um die fragilen Qubits über längere Zeiträume kohärent zu halten.