Detection of noise correlations in two qubit systems by Machine Learning

Título: Detección de correlaciones de ruido en sistemas de dos qubits mediante Aprendizaje Automático

1. El Problema

El avance de las tecnologías cuánticas a gran escala (arquitecturas de computación cuántica) se ve obstaculizado por la pérdida de fidelidad en las operaciones debido a la decoherencia causada por la interacción con el entorno. Un desafío crítico es la presencia de ruido correlacionado (tanto en el tiempo como en el espacio) entre qubits, lo cual viola las suposiciones estándar de muchos protocolos de corrección de errores cuánticos (QEC) que asumen errores independientes.

• Limitaciones actuales: Los métodos espectroscópicos tradicionales para caracterizar estas correlaciones requieren un alto costo experimental, procesamiento de datos intensivo y, a menudo, la preparación de estados entrelazados o mediciones de series temporales continuas.
• Necesidad: Se requiere un método eficiente, con recursos experimentales mínimos, capaz de diagnosticar la naturaleza global del ruido (markoviano vs. no markoviano, correlaciones espaciales) sin necesidad de monitoreo en tiempo real.

2. Metodología

Los autores proponen un protocolo de detección asistido por aprendizaje automático (ML) que combina un control cuántico coherente con un clasificador neuronal.

• Sistema Físico (Sensor):

  • Se utiliza un sistema de dos qubits acoplados fuertemente (acoplamiento Ising-xx) con interacción $g$.
  • El sistema se opera mediante un protocolo de Paso Adiabático Raman Estimulado (STIRAP) modificado.
  • Se aplican campos de control locales ($W_1(t), W_2(t)$) con dos tonos (bombeo y Stokes) para transferir la población desde el estado fundamental $|gg\rangle$ al estado doblemente excitado $|ee\rangle$.
  • En condiciones ideales, el estado intermedio no se popula debido a interferencia destructiva (estado oscuro). Sin embargo, la presencia de ruido rompe esta idealidad.

• Modelado del Ruido:

  • Se consideran seis clases distintas de ruido clásico que afectan las divisiones energéticas de los qubits:
    1. No Markoviano (Quasi-estático): Ruido de $1/f$ donde las fluctuaciones son constantes durante una ejecución pero varían entre ejecuciones. Se estudian casos: correlacionados, anti-correlacionados y no correlacionados.
    2. Markoviano: Ruido delta-correlacionado (blanco). También se estudian casos: correlacionados, anti-correlacionados y no correlacionados.

• Estrategia de Detección:

  • En lugar de medir series temporales completas, el protocolo mide únicamente la eficiencia de transferencia de población final ($\xi$) al estado $|ee\rangle$.
  • Se realizan tres mediciones bajo diferentes condiciones de amplitud de los pulsos de conducción ($\Omega_p$ y $\Omega_s$):
    1. $\Omega_p = \Omega_s$
    2. $\Omega_p = 2\Omega_s$
    3. $\Omega_p = \Omega_s / 2$
  • Estas tres eficiencias forman un vector de características de 3 dimensiones que sirve como entrada para el modelo de ML.

• Modelo de Aprendizaje Automático:

  • Se utiliza una Red Neuronal Perceptrón Multicapa (MLP) supervisada.
  • Arquitectura: 3 neuronas de entrada, 3 capas ocultas (64, 32 y 32 neuronas con funciones de activación ReLU/LeakyReLU) y 6 neuronas de salida (Softmax) para clasificar las 6 clases de ruido.
  • Entrenamiento: Se genera un conjunto de datos sintéticos simulando la dinámica cuántica (ecuación maestra de Lindblad para Markoviano y promedios estadísticos para No Markoviano) y se entrena la red para minimizar la entropía cruzada categórica.

3. Contribuciones Clave

• Minimización de Recursos Experimentales: El método requiere solo tres mediciones finales de población, eliminando la necesidad de reconstrucción de espectros complejos, preparación de estados entrelazados o monitoreo continuo.
• Extracción de Información de No-Idealidades: Aprovecha las imperfecciones introducidas por el ruido en el protocolo STIRAP (que normalmente se consideran errores) como una "huella digital" para caracterizar el entorno.
• Discriminación Espacial y Temporal: Logra distinguir simultáneamente entre ruido markoviano y no markoviano, y dentro de cada categoría, entre ruido correlacionado, anti-correlacionado y no correlacionado.
• Generalidad: El enfoque es aplicable a diversas plataformas (qubits superconductores, iones atrapados, puntos cuánticos) y no depende de un dispositivo experimental específico.

4. Resultados

• Precisión de Clasificación: El modelo alcanza una precisión global de $\gtrsim 94\%$ en la clasificación de las seis clases de ruido.
• Discriminación Markoviana vs. No Markoviana: La distinción entre dinámicas markovianas y no markovianas es casi perfecta (99% de precisión).
• Discriminación Espacial:
  • Para ruido no markoviano, la precisión en identificar correlaciones espaciales es del 97.3%.
  • Para ruido markoviano, la precisión es del 91.7%.
• Robustez: La metodología mantiene una precisión superior al 80% para un amplio rango de valores de acoplamiento entre qubits ($g \geq 0.2\epsilon$), alcanzando su máximo en $g = 0.6\epsilon$.
• Mecanismo de Éxito: La capacidad mejorada de discriminación (especialmente para ruido markoviano, a diferencia de trabajos previos en sistemas de tres niveles) se debe a que el ruido induce mezclas entre los estados intermedios $|2\rangle$ y $|3\rangle$ y entre $|0\rangle$ y $|1\rangle$, involucrando todo el espacio de Hilbert de 4 niveles y proporcionando más información al clasificador.

5. Significado e Impacto

• Herramienta de Diagnóstico Rápido: Ofrece un marco para la caracterización rápida de propiedades globales del ruido en hardware cuántico, actuando como un paso preliminar eficiente antes de realizar estimaciones de ruido más costosas.
• Sinergia Control-ML: Demuestra cómo combinar protocolos de control cuántico avanzado (STIRAP) con técnicas de aprendizaje automático puede superar las limitaciones de los métodos tradicionales de diagnóstico.
• Escalabilidad: Al reducir drásticamente los requisitos de datos y tiempo experimental, este enfoque es altamente escalable para arquitecturas de NISQ (Quantum Computing de Escala Intermedia Ruidosa) y futuras computadoras cuánticas a gran escala, facilitando la implementación de estrategias de mitigación de errores adaptadas a la naturaleza real del ruido.

En resumen, el trabajo presenta una solución elegante y eficiente para un problema fundamental en la computación cuántica: identificar la estructura de correlaciones del ruido ambiental utilizando la mínima cantidad de datos experimentales posible, potenciada por la inteligencia artificial.