Automated in situ optimization and disorder mitigation in a quantum device

Resumen Técnico: Optimización In Situ Automatizada y Mitigación de Desorden en un Dispositivo Cuántico

Planteamiento del Problema
El ajuste de los dispositivos cuánticos, particularmente aquellos que requieren el ajuste de múltiples parámetros para alcanzar una configuración operativa deseada, se ve a menudo obstaculizado por las imperfecciones de los materiales y el desorden impredecible. Estas imperfecciones pueden oscurecer la navegación a través de grandes espacios de parámetros, dificultando la obtención manual del rendimiento óptimo del dispositivo. Específicamente, en los Puntos de Contacto Cuánticos (QPC, por sus siglas en inglés), el desorden y la dispersión tienden a suavizar y distorsionar los característicos escalones de conductancia cuantizada (mesetas separadas por saltos bruscos), los cuales son sellos distintivos fundamentales de la física cuántica y esenciales para aplicaciones como la lectura de qubits de espín e interferometría. El desafío radica en encontrar un paisaje de potencial ajustable que pueda restaurar estas firmas de "escalera" a pesar de la presencia de desorden microscópico.

Metodología
Los autores implementan una estrategia evolutiva automatizada para optimizar el paisaje de potencial de un QPC definido dentro de un gas de electrones bidimensional (2DEG) basado en GaAs. El dispositivo cuenta con un arreglo de $3 \times 3$ de puertas electrostáticas superiores (puertas de píxel) dispuestas sobre la constricción, junto con puertas divisoras externas.

• Algoritmo: El estudio utiliza la Estrategia de Evolución de Adaptación de Matriz de Covarianza (CMA-ES). Se eligió este algoritmo estocástico, libre de gradientes, por su simplicidad, robustez frente al ruido e insensibilidad a los detalles específicos del paisaje de pérdida.
• Métrica de Optimización (Función de Pérdida): Se define una función de pérdida personalizada $L$ para cuantificar qué tan "escalonada" es la curva de conductancia a medida que se estrecha el canal. La función suma las raíces cúbicas de las diferencias entre valores de conductancia adyacentes, favoreciendo unos pocos saltos grandes (escalones) sobre muchas variaciones pequeñas. Incluye una penalización por cerrar completamente el QPC y un pequeño desfase para mitigar el ruido, pero crucialmente, no contiene conocimiento previo de los valores cuantizados enteros específicos ni de la distribución de desorden subyacente.
• Enfoque de Simulación: La optimización inicial se realizó utilizando el paquete de software KWANT para resolver modelos de red de sitios (tight-binding). Para mejorar la robustez, la optimización no se realizó sobre los voltajes de los píxeles de forma individual, sino sobre sus modos de Fourier ($A_{\alpha\beta}$). El modo promedio ($A_{00}$) sirvió como el parámetro de barrido ($V_{QPC}$) para constreñir el canal, mientras que los otros modos fueron optimizados. El desorden se modeló como un potencial de sitio aleatorio con una longitud de correlación definida.
• Enfoque Experimental: El mismo procedimiento CMA-ES se aplicó a un dispositivo físico fabricado en una heteroestructura de GaAs. Debido a las restricciones de fabricación (específicamente, la necesidad de rutas eléctricas que rompían la simetría del dispositivo), el protocolo experimental fue adaptado: el parámetro de barrido $V_{QPC}$ se aplicó a dos píxeles opuestos, mientras que el algoritmo optimizó libremente los siete voltajes de los píxeles restantes. Las mediciones se realizaron en un refrigerador de dilución a temperaturas de milikelvin bajo un campo magnético fuera del plano.

Contribuciones Clave

1. Demostración de Ajuste Automatizado: El artículo presenta una prueba de concepto para la optimización in situ totalmente automatizada de un dispositivo cuántico utilizando una estrategia evolutiva sin intervención humana.
2. Mitigación del Desorden: El estudio demuestra que el algoritmo puede adaptarse a potenciales de desorden aleatorios. Mediante la optimización de los voltajes de las puertas, el sistema puede recuperar mesetas de conductancia claras que previamente habían sido degradadas o desaparecidas debido al desorden.
3. Optimización Agnóstica a la Física: La función de pérdida depende únicamente de la "forma de escalón" geométrica de la curva de conductancia en lugar de apuntar a valores cuantizados específicos. El hecho de que el algoritmo converja naturalmente a mesetas de cuantización entera sugiere que la solución es una manifestación de la física subyacente del QPC y no un artefacto de sobreajuste.
4. Transferencia de Simulación a Experimento: El trabajo traduce con éxito un protocolo de optimización numérica, desarrollado con control total sobre los parámetros de desorden, a un entorno experimental del mundo real, logrando mejoras marcadas en el rendimiento del dispositivo.

Resultados

• Simulaciones: En simulaciones libres de desorden, la configuración de puertas optimizada produjo escalones de conductancia más nítidos en comparación con un barrido simple de voltajes promedio. Cuando se introdujo desorden aleatorio, la configuración optimizada logró restaurar la escalera de conductancia, mientras que la configuración no optimizada (libre de desorden) falló. El algoritmo convergió a configuraciones de voltaje específicas que compensaban la realización específica del desorden.
• Experimento: En el dispositivo físico, el algoritmo ajustó autónomamente los voltajes de las puertas partiendo de un estado no optimizado. La traza no optimizada no mostraba rasgos de tipo escalón. Tras la optimización (específicamente en la iteración 51), la traza de conductancia exhibió mesetas cuantizadas claras y bien definidas. Curiosamente, el algoritmo encontró múltiples configuraciones de voltaje distintas (por ejemplo, en las iteraciones 51 y 85) que también producían un excelente comportamiento de escalón, lo que sugiere la existencia de múltiples soluciones viables en el espacio de parámetros, potencialmente debido a la asimetría del dispositivo o a la mitigación de características de desorden específicas. La optimización encontró un óptimo en aproximadamente 460 mediciones.

Significancia y Reivindicaciones
El artículo sostiene que el ajuste automatizado usando CMA-ES es un método viable para mejorar la funcionalidad del dispositivo y mitigar los efectos del desorden en los dispositivos cuánticos. Los autores enfatizan que este enfoque produce ajustes optimizados que serían difíciles de obtener manualmente, particularmente en presencia de desorden impredecible.

La significancia reside en la demostración de que un algoritmo de optimización "ciego" —que no conoce la física de la conductancia cuantizada ni la naturaleza del desorden— puede navegar eficazmente un espacio de parámetros complejo y ruidoso para restaurar propiedades fundamentales de transporte cuántico. Los autores señalan que, aunque el experimento actual estuvo limitado por la asimetría del dispositivo (optimizando solo 7 de 9 puertas), los resultados validan el concepto de mitigación de desorden in situ. Sugieren que las mejoras futuras podrían incluir estructuras de puertas multicapa para permitir el control total de todos los píxeles y la exploración de configuraciones de voltaje que varíen en función del parámetro de barrido. Este trabajo posiciona al aprendizaje automático no solo como una herramienta de caracterización, sino como un mecanismo activo para superar las imperfecciones de los materiales en las tecnologías cuánticas de semiconductores.