Characterizing Physical Error Contributions of Quantum Gates

La búsqueda de la construcción de una computadora cuántica útil es una carrera contra lo invisible. En el corazón de estas máquinas se encuentran los bits cuánticos, o qubits, que mantienen la información en un frágil estado de superposición, lo que les permite realizar cálculos que a las supercomputadoras clásicas les tomaría milenios resolver. Sin embargo, este poder conlleva una debilidad severa: la más mínima perturbación del entorno —un campo magnético errante, una fluctuación en la temperatura o una diminuta imperfección en la electrónica de control— puede hacer que el qubit pierda su información. Esta pérdida, conocida como ruido, es el principal obstáculo que impide que las computadoras cuánticas alcancen todo su potencial. Para solucionar el problema, los científicos primero deben comprender exactamente de dónde provienen los errores. No basta con saber que un cálculo falló; los ingenieros necesitan saber si el fallo fue causado por la pérdida de energía del qubit, por una señal de control que fue ligeramente demasiado larga, o por un ruido lento y errante que se acumula con el tiempo. Sin un mapa preciso de estas fuentes de error, mejorar el hardware es como intentar reparar un motor complejo con los ojos vendados.

Un equipo de investigadores de IQM Quantum Computers y la Universidad Ludwig-Maximilian de München ha desarrollado una nueva forma de crear este mapa, una que no solo identifica los errores, sino que también le dice a los científicos qué tanto pueden confiar en dicha identificación. En un estudio centrado en un tipo específico de procesador cuántico superconductor, los investigadores aplicaron su método para medir el rendimiento de las puertas de un solo qubit y de dos qubits, las operaciones fundamentales que manipulan la información cuántica. Descubrieron que, si bien podían localizar las fuentes de error para las operaciones de un solo qubit con alta confianza, no era posible alcanzar el mismo nivel de certeza para las puertas de dos qubits, que son más complejas. Crucialmente, su método no ocultó esta incertidumbre; en su lugar, la señaló como una señal de advertencia de que su comprensión actual de la física era incompleta. Este enfoque marca un cambio de simplemente adivinar de dónde vienen los errores a un proceso riguroso y basado en datos que admite cuando al modelo le falta una pieza del rompecabezas.

Para entender el desafío, uno debe observar cómo se prueban actualmente las computadoras cuánticas. Tradicionalmente, los científicos realizan una serie de experimentos para medir cuánto tiempo puede un qubit mantener su estado o con qué precisión realiza una rotación. Luego, introducen estos números en un modelo matemático para estimar cuánto contribuye cada factor al error total. Este proceso asume que el modelo es perfecto y que los errores son independientes entre sí. Sin embargo, en el mundo real de los circuitos superconductores, los errores suelen estar vinculados, son complejos y cambian con el tiempo. Un modelo que asume que todo es simple e independiente podría producir un número de apariencia precisa, pero ese número podría ser completamente erróneo si los supuestos subyacentes son defectuosos. Los investigadores se dieron cuenta de que confiar en estos modelos estáticos era arriesgado, especialmente a medida que los procesadores cuánticos crecen en tamaño y complejidad. Necesitaban una forma de aprender directamente de los datos manteniendo un control constante sobre si sus supuestos se mantenían.

La solución que propusieron es un marco basado en el aprendizaje que actúa como un puente entre el mundo físico y el modelo de la computadora. En lugar de intentar resolver las ecuaciones complejas para cada nuevo experimento, el equipo construyó primero una simulación altamente detallada de su procesador cuántico. Esta simulación incluía cada fuente conocida de error, desde la degradación natural de la energía en los qubits hasta las fluctuaciones sutiles y lentas de los campos magnéticos que derivan con el tiempo. Ejecutaron miles de experimentos virtuales dentro de esta simulación, registrando los resultados y las contribuciones de error específicas para cada escenario. Utilizando este enorme conjunto de datos, entrenaron una herramienta de aprendizaje automático llamada Regresión de Procesos Gaussianos. Esta herramienta aprendió a reconocer patrones, memorizando efectivamente la relación entre los datos experimentales brutos y los errores físicos específicos que los causaron. Una vez entrenada, esta herramienta podía tomar un nuevo conjunto de mediciones del mundo real e instantáneamente predecir el presupuesto de error, o el desglose de dónde provienen los fallos.

Lo que hace que este método sea particularmente poderoso es su capacidad para medir su propia confianza. La herramienta de aprendizaje automático no solo da una respuesta única; proporciona un rango de incertidumbre. Si los datos del mundo real se parecen mucho a los datos que la herramienta vio durante el entrenamiento, la incertidumbre es baja y la predicción es confiable. Pero si los datos reales se comportan de una manera que la simulación nunca vio, la incertidumbre de la herramienta se dispara. Este pico no es un fallo del método; es una característica. Sirve como una señal de diagnóstico, diciéndole a los investigadores que su modelo físico carece de algo importante. Es la diferencia entre un pronóstico del tiempo que predice con confianza la llegada del sol cuando en realidad se está gestando una tormenta, y un pronóstico que dice: "No estoy seguro, porque las condiciones son distintas a cualquier cosa que haya visto antes".

El equipo probó este marco en un par de qubits en un arreglo de transmon, una arquitectura común para las computadoras cuánticas superconductoras. Se centraron en dos tipos de operaciones: la puerta de un solo qubit, que cambia el estado de un qubit, y la puerta de dos qubits, que entrelaza dos qubits. Para las puertas de un solo qubit, los resultados fueron tranquilizadores. El marco reconstruyó con éxito el presupuesto de error, identificando que los errores dominantes provenían de la pérdida de energía de los qubits y de ligeras imperfecciones en los pulsos de control. La incertidumbre fue baja, lo que significa que el equipo podía confiar en que su modelo describía con precisión la física de estas operaciones. Podían ver exactamente cuánto contribuía cada factor al error total, proporcionando un objetivo claro para futuras mejoras.

La historia cambió cuando dirigieron su atención a las puertas de dos qubits. Estas operaciones son significativamente más compleas, involucrando un tercer componente llamado acoplador que une a los dos qubits. Cuando los investigadores aplicaron su marco a los datos de la puerta de dos qubits, las estimaciones de incertidumbre fueron altas. La herramienta señaló que incluso su modelo detallado de primeros principios, que incluía ruido no markoviano complejo y distorsiones de pulso, no estaba capturando completamente la dinámica del sistema. Los errores del mundo real se estaban comportando de maneras que la simulación no predijo. Este fue un hallazgo crítico. Un método tradicional podría haber forzado los datos hacia el modelo, produciendo un presupuesto de error preciso pero engañoso que ocultaría la verdadera complejidad del problema. En cambio, este nuevo marco admitió la brecha, proporcionando evidencia cuantitativa de que la comprensión actual de los errores de las puertas de dos qubits es incompleta.

Los investigadores identificaron que los errores dominantes en la puerta de dos qubits probablemente estaban relacionados con las imperfecciones de los pulsos de control y la forma específica en que el acoplador interactúa con los qubits, pero la alta incertidumbre sugirió que había otros factores no modelados en juego. Estos podrían incluir distorsiones sutiles en las señales eléctricas o interacciones con el entorno en frecuencias que aún no habían sondeado. El estudio destaca que, si bien el hardware actual es impresionante, el camino hacia la computación cuántica a gran escala requiere no solo mejor hardware, sino mejores formas de entenderlo. La capacidad de distinguir entre lo que se conoce y lo que se desconoce es tan importante como las mediciones mismas.

Este trabajo representa un paso significativo adelante en la caracterización del hardware cuántico. Al tratar el presupuesto de errores como un problema de aprendizaje en lugar de un simple cálculo, los investigadores han creado una herramienta que es tanto poderosa como honesta. Permite a los científicos extraer conocimientos detallados de experimentos complejos mientras les advierte simultáneamente cuando sus modelos son insuficientes. A medida que los procesadores cuánticos continúan escalando, con más qubits e interacciones más complejas, la capacidad de detectar estas brechas en el conocimiento será esencial. El marco no solo le dice a los ingenieros qué es lo que está mal; les dice dónde termina su conocimiento, guiándolos hacia los próximos experimentos necesarios para llenar las piezas faltantes. En la carrera por construir una computadora cuántica confiable, saber lo que no se sabe es el primer paso para resolver el problema.