Active Learning for Calibrating Entangling Gates via Surrogate-Based Optimization

Technische Zusammenfassung: Aktives Lernen zur Kalibrierung verschränkter Gatter mittels Surrogat-basierter Optimierung

Problemstellung
Hochpräzise Quantengatter-Operationen sind entscheidend für den kurzfristigen Quantenvorteil und die fehlertolerante Fehlerkorrektur. Die Erreichung hoher Fidelität erfordert jedoch eine präzise Kalibrierung der klassischen Kontrollparameter, welche die Hamilton-Funktion des Systems definieren. Obwohl theoretische Modelle existieren, weicht die auf der Hardware implementierte Hamilton-Funktion oft vom Ideal ab, bedingt durch unbekannte, potenziell nichtlineare Transferfunktionen in der klassischen Kontrollinfrastruktur. Traditionelle Kalibrierungsmethoden, wie sequentielle Parameter-Sweeps oder Optimierungen, die auf präzisen Vorwärtsmodellen basieren (z. B. Bayessche Kalibrierung mit exakten theoretischen Modellen), stehen vor erheblichen Einschränkungen. Dazu gehören eine schlechte Skalierbarkeit mit der Systemgröße, hohe Rechenkosten für klassische Simulationen sowie die Unfähigkeit, Hardware-Drift durch periodische Rekalibrierung zu handhaben. Zudem operieren Quantensysteme in einem verrauschten Low-Data-Regime, was datenhungrige Ansätze wie neuronale Netze unpraktikabel macht. Die Kernherausforderung besteht darin, optimale Kontrollparameter effizient zu identifizieren, dabei Messrauschen zu tolerieren und ohne ein exaktes physikalisches Modell des experimentellen Systems zu operieren.

Methodik
Die Autoren schlagen ein Framework für aktives Lernen vor, das auf Bayesscher Optimierung (BO) unter Verwendung eines Gauß-Prozesses (GP) als Surrogatmodell basiert. Dieser Ansatz ist darauf ausgelegt, die Kalibrierungslandschaft unter Verwendung einer begrenzten Anzahl verrauschter Messungen zu navigieren.

• Surrogat-Modellierung: Das Framework verwendet einen GP, um die unbekannte Kalibrierungslandschaft $f(x)$ zu modellieren, wobei $x$ den Vektor der Kontrollparameter (Rabi-Frequenz $\Omega$, Seitenband-Detuning $\delta$ und Center-line Detuning $\omega_{cl}$) darstellt. Im Gegensatz zu Standard-GPs verwendet diese Implementierung ein heteroskedastisches Rauschmodell. Das Messrauschen $\epsilon_i$ wird als Null-Mittelwert-Gauß-Verteilung modelliert, deren Varianz von den Kontrolleinstellungen und der Anzahl der Messschüsse $N$ abhängt, was die Physik des Quantenprojektionsrauschens widerspiegelt.
• Bayesscher Optimierungskreislauf: Der Optimierungsprozess durchläuft drei Schritte:
  1. Surrogat-Update: Die GP-Posterior wird mit neuen experimentellen Daten (Kontrollparameter und gemessene Scores) aktualisiert, wobei die Hyperparameter (Längenskalen, Signalvarianz, Rauschskalierung) via Type-II-Maximum-Likelihood optimiert werden.
  2. Aktives Lern-Acquisition: Eine Akquisitionsfunktion, spezifisch die Upper Confidence Bound (UCB), wählt die nächste experimentelle Konfiguration aus. Diese Funktion balanciert Exploitation (Proben von Regionen mit hoher vorhergesagter Fidelität) und Exploration (Proben von Regionen mit hoher Unsicherheit), um das globale Optimum effizient zu lokalisieren.
  3. Physische Evaluierung: Die ausgewählten Parameter werden auf das Quantensystem angewendet (in dieser Arbeit simuliert), und der resultierende Gate-Fidelitäts-Score wird gemessen.
• Simulationsumgebung: Die Methode wird mittels einer Simulation eines gefangenen Ionen-Mølmer-Sørensen (MS) Gatters validiert. Die Simulation nutzt IonSim.jl, um zwei $^{40}\text{Ca}^+$-Ionen zu modellieren, wobei eine außerresonante Carrier-Anregung und Effekte quadratischer Pulse berücksichtigt werden, während Dekohärenz vernachlässigt wird, um den Einfluss des Quantenprojektionsrauschens zu isolieren. Die Kalibrierungssequenz beinhaltet die Initialisierung der Qubits in $|gg\rangle$, das Anwenden von zwei MS-Gattern und die Messung der Wahrscheinlichkeit des $|ee\rangle$-Zustands ($P_{ee}$) als Score.

Wesentliche Beiträge

• Modellfreie Kalibrierung: Die Arbeit demonstriert ein Kalibrierungsprotokoll, das keine validierte Vorwärtsmodell des Quantensystems erfordert, sondern statlich auf einem datengesteuerten GP-Surrogat basiert.
• Umgang mit heteroskedastischem Rauschen: Die Autoren integrieren ein Rauschmodell, bei dem die Beobachtationsvarianz von den Kontrollparametern und den Messschüssen abhängt, was die Tatsache berücksichtigt, dass Quantenprojektionsrauschen über die Landschaft variiert.
• Effizienz des aktiven Lernens: Das Framework nutzt aktives Lernen, um die Entdeckung optimaler Parameter zu beschleunigen, und zeigt, dass der GP effektiv „entstören“ kann, indem er räumliche Glätte erzwingt, selbst wenn er auf verrauschten Daten trainiert wurde.
• Quantifizierung von Grenzen: Die Studie charakterisiert explizit die Sättigungsgrenzen der Fidelität, die durch endliche Shot-Zahlen des Quantenprojektionsrauschens bedingt sind, und unterscheidet zwischen algorithmischer Konvergenz und physikalischen Messgrenzen.

Ergebnisse
Die Autoren validierten den Ansatz durch numerische Simulationen des gefangenen Ionen-MS-Gatters:

• Genauigkeit des Surrogats: Das GP-Surrogat modellierte die Kontrolllandschaft erfolgreich. Eine Erhöhung der Anzahl der Trainingspunkte ($m$) und der Messschüsse ($N$) verbesserte die Genauigkeit. Bemerkenswert ist, dass der GP-Mittelwert bei großem $m$ unkorreliertes Projektionsrauschen herausfiltern konnte, wodurch Root Mean Square Errors (RMSE) unterhalb des mittleren Rauschens der Daten erreicht wurden.
• Konvergenz der Optimierung:
  • Parameterbereich: Die Reduzierung des anfänglichen Unsicherheitsbereichs der Parameter (z. B. von $\pm 10$ kHz auf $\pm 1$ kHz) verringerte die Zeit bis zur Konvergenz signifikant und reduzierte die Varianz im Optimierungspfad. Dennoch blieb der Optimierer robust genug, um das globale Optimum selbst in vollen Suchdomänen ($r=1.0$) zu finden.
  • Shot-Budget: Die Optimierungsfidelität sättigte basierend auf der Anzahl der Schüsse pro Evaluierung ($N$). Diese Sättigung folgte der erwarteten Skalierung $1 - Q \approx Q_\infty + \gamma N^{-1/2}$. Selbst bei einem geringen Budget von $N=100$ Schüssen erreichte der Optimierer zuverlässig eine Fidelitätsuntergrenze von $\sim 10^{-3}$, obwohl weitere Iterationen die Fidelität nicht unter das Limit der endlichen Schüsse verbessern konnten.
  • Parametervisision: Die Frequenzparameter ($\omega_{cl}$ und $\delta$) konvergierten innerhalb von Zehnern von Hz gegen die idealen Werte, während die Rabi-Frequenz ($\Omega$) gegen das ideale Verhältnis mit minimaler Varianz konvergierte.
• Visualisierung: Der Prozess des aktiven Lernens zeigte, dass er die Landschaft intelligent abtastet, Messungen in der Nähe der optimalen Region konzentriert und die Unsicherheit um die Frequenzpeaks verengt, während die Amplitudenlandschaft aufgrund geringerer Sensitivität in der gewählten Kalibrierungssequenz breiter blieb.

Bedeutung und Ansprüche
Das Paper etabliert den Nutzen von aktivem Lernen und Surrogatmodellen für die Quantenkalibrierung und -steuerung. Die Autoren behaupten, dass ihr modellfreier Ansatz einen „leichtgewichtigen Weg zur automatisierten Wartung von Gattern“ bietet, der in der Lage ist, Kalibrierungsdrift zu handhaben und ohne detaillierte Physikmodelle zu operieren. Die Ergebnisse legen nahe, dass die Gauß-Prozess-Bayessche Optimierung ein praktisches Werkzeug für verrauschte, rechenintensive Quantensteuerung-Aufgaben ist. Die Arbeit hebt hervor, dass zwar eine ressourceneffiziente Kalibrierung möglich ist, die ultimative Fidelität jedoch durch das Quantenprojektionsrauschen begrenzt wird, das dem Messprozess inhärent ist. Die Autoren positionieren diese Methode als einen grundlegenden Schritt zur Charakterisierung, Kalibrierung und Steuerung skalierender Quantensysteme und merken an, dass zukünftige Arbeiten reale Nichtidealitäten und Multi-Fidelity-Ansätze adressieren sollten, die klassische Simulationen mit Quantenmessungen kombinieren.