High-fidelity quantum gate learning via physics-informed neural networks

Auf der Suche nach dem Bau eines praktischen Quantencomputers stehen Wissenschaftler vor einem grundlegenden Hindernis: der Notwendigkeit, Operationen mit extremer Präzision durchzuführen. Diese Maschinen verlassen sich auf winzige Informationseinheiten namens Qubits, die gleichzeitig in mehreren Zuständen existieren können – eine Eigenschaft, die es ihnen ermöglicht, bestimmte Probleme weitaus schneller zu lösen als klassische Computer. Um diese Qubits jedoch nutzbar zu machen, müssen Forscher sie mit perfektem Timing und der richtigen Stärke manipulieren, um Logikgatter zu erzeugen, die grundlegenden Bausteine jeder Berechnung. Die Herausforderung liegt im Design der Steuersignale – im Wesentlichen Radiowellen oder Laserpulse –, die diese Qubits steuern. Diese Signale müssen glatt und sorgfältig geformt sein, um Fehler zu vermeiden, müssen aber gleichzeitig die strengen physikalischen Gesetze respektieren, die bestimmen, wie sich Quantenteilchen bewegen und interagieren. Wenn die Steuerung zu grob oder unpräzise ist, bricht der empfindliche Quantenzustand zusammen und die Berechnung schlägt fehl. Jahrelang erforderte das Finden dieser perfekten Steuersignale schwere, repetitive Computerberechnungen, die langsam und für komplexe Maschinen schwer skalierbar waren.

Ein Forschungsteam hat nun einen neuen Weg vorgeschlagen, dieses Problem mithilfe einer Art künstlicher Intelligenz zu lösen, die als physikinformiertes neuronales Netzwerk bekannt ist. Anstatt den Computer wie eine Black Box zu behandeln, die einfach nur das beste Signal rät, bringt dieser Ansatz dem Computer die tatsächlichen physikalischen Gesetze bei, die die Qubits regeln. Die Forscher trainierten ihr System, um die perfekten Steuerpulse für zwei spezifische Aufgaben zu finden: eine Ein-Qubit-Operation namens Hadamard-Gatter, die eine Superposition von Zuständen erzeugt, und eine Zwei-Qubit-Operation namens Controlled-NOT-Gatter, die zwei Qubits miteinander verbindet, um Verschränkung zu erzeugen. Durch die direkte Einbettung der zeitabhängigen Schrödinger-Gleichung – der Kernregel, die beschreibt, wie sich Quantensysteme entwickeln – in den Trainingsprozess, lernte das Netzwerk, glatte, kontinuierliche Steuerfelder zu generieren, die sowohl das gewünschte Ergebnis als auch die physikalischen Randbedingungen des Systems erfüllen.

Die Ergebnisse dieser Simulation sind bemerkenswert präzise. Für das Ein-Qubit-Hadamard-Gatter erzeugte das System einen Steuerpuls, der eine durchschnittliche Fehlerrate von etwa 8,49 mal 10 hoch minus 8 erreichte. Das bedeutet, dass das Gatter in mehr als 99,99999 Prozent der Fälle korrekt funktioniert. Für das komplexere Zwei-Qubit-Controlled-NOT-Gatter variierte die Leistung leicht, je nachdem, wie die beiden Qubits miteinander verbunden waren, aber die Fehlerraten blieben unglaublich niedrig und lagen zwischen etwa 3,39 mal 10 hoch minus 7 und 4,96 mal 10 hoch minus 6. Diese Zahlen zeigen, dass die gelernten Steuerpulse hocheffektiv darin sind, das Quantensystem exakt in den für eine erfolgreiche Berechnung erforderlichen Zustand zu steuern.

Über das bloße Finden der Pulse hinaus untersuchten die Forscher, wie sich diese Signale unter verschiedenen Bedingungen verhalten. Sie testeten die gelernten Steuerungen gegen verschiedene Arten von Interaktionen zwischen Qubits, einschließlich solcher, die entlang unterschiedlicher räumlicher Richtungen wirken. Sie fanden heraus, dass die spezifische Form des Steuerpulses stark von der Art der Verbindung zwischen den Qubits abhängt. Wenn die Qubits beispielsweise auf eine bestimmte Weise interagierten, benötigte das System starke Steuersignale auf einem Qubit, aber sehr schwache auf dem anderen. In einer anderen Konfiguration war ein ausgewogenes Gemisch aus Signalen auf beiden Qubits erforderlich. Dies deutet darauf an, dass es kein einheitliches „Einheitsmuster“ für die Steuerung gibt; das optimale Signal muss auf die spezifische physikalische Hardware zugeschnitten sein, die verwendet wird.

Das Team untersuchte auch, wie diese perfekten Pulse in einer realen Umgebung bestehen würden, in der Rauschen und Energieverlust unvermeidlich sind. Sie simulierten die Auswirkungen von Dephasierung, bei der der Quantenzustand seine Kohärenz verliert, und Amplitudendämpfung, bei der das Qubit Energie an seine Umgebung abgibt. Selbst ohne das Netzwerk für diese verrauschten Bedingungen neu zu trainieren, zeigten die bereits gelernten Pulse einen vorhersehbaren und linearen Leistungsabfall, wenn das Rauschen zunahm. Dieses Verhalten entsprach den theoretischen Erwartungen und bestätigte, dass die Methode robuste Steuerungen erzeugt, die bei Konfrontation mit Umwelteinflüssen kontrolliert nachlassen, anstatt katastrophal zu versagen.

Schließlich adressierten die Forscher ein praktisches Anliegen für Ingenieure, die diese Maschinen schließlich bauen werden: wie man diese komplexen Steuersignale speichert und überträgt. Das neuronale Netzwerk erzeugt glatte, kontinuierliche Kurven, die schwierig in einem einfachen Format zu speichern sind. Um dies zu lösen, konvertierte das Team diese komplexen Wellenformen mithilfe einer spezifischen Art von Polynomexpansion in eine kompakte mathematische Darstellung. Sie fanden heraus, dass lediglich 24 Zahlen ausreichten, um jeden Steuerpuls mit einer so hohen Genauigkeit zu beschreiben, dass der Unterschied zwischen der ursprünglichen Kurve und der vereinfachten Version vernachlässigbar war. Dieses kompakte Format macht es viel einfacher, die gelernten Lösungen auf tatsächliche Quantenhardware zu übertragen und schlägt so die Brücke zwischen theoretischem Design und physischer Implementierung.

Die Studie zeigt, dass die direkte Einbettung physikalischer Gesetze in maschinelles Lernen einen leistungsstarken Weg nach vorne bietet. Durch das Training auf einem vielfältigen Satz von Ausgangsbedingungen und die Validierung der Ergebnisse gegen unabhängige Tests zeigten die Forscher, dass ihre Methode hochpräzise Gatter erzeugen kann, ohne dass jeder Parameter manuell abgestimmt werden muss. Obwohl diese Erkenntnisse aus Computersimulationen stammen, liefern sie einen klaren Bauplan dafür, wie zukünftige Quantencomputer programmiert werden könnten. Die Fähigkeit, glatte, robuste und kompakte Steuerpulse zu erzeugen, deutet darauf hin, dass die schwierige Aufgabe, die „Software“ für Quantenmaschinen zu entwerfen, handhabbarer wird und den Weg für zuverlässigere und skalierbare Quantentechnologien ebnet.