Active Learning for Calibrating Entangling Gates via Surrogate-Based Optimization

Resumen Técnico: Aprendizaje Activo para la Calibración de Puertas Entrelazadas mediante Optimización Basada en Modelos Sustitutos

Planteamiento del Problema
Las operaciones de puertas cuánticas de alta fidelidad son esenciales para la ventaja cuántica de corto plazo y la corrección de errores tolerante a fallos. Sin embargo, lograr una alta fidelidad requiere la calibración precisa de los parámetros de control clásicos que definen el Hamiltoniano del sistema. Aunque existen modelos teóricos, el Hamiltoniano real implementado en el hardware suele desviarse del ideal debido a funciones de transferencia potencialmente no lineales y desconocidas en la infraestructura de control clásico. Los métodos de calibración tradicionales, como los barridos de parámetros secuenciales o la optimización que depende de modelos directos precisos (por ejemplo, la calibración bayesiana con modelos teóricos exactos), enfrentan limitaciones significativas. Estas incluyen una pobre escalabilidad con el tamaño del sistema, altos costos computacionales para las simulaciones clásicas y la incapacidad de manejar la deriva del hardware sin una recalibración periódica. Además, los sistemas cuánticos operan en un régimen de ruido y de bajos datos, lo que hace que los enfoques ávidos de datos, como las redes neuronales, sean impracticables. El desafío central es identificar los parámetros de control óptimos de manera eficiente, tolerando el ruido de medición y operando sin un modelo físico exacto del sistema experimental.

Metodología
Los autores proponen un marco de aprendizaje activo basado en la Optimización Bayesiana (BO) utilizando un Proceso Gaussiano (GP) como modelo sustituto. Este enfoque está diseñado para navegar el paisaje de calibración utilizando un número limitado de mediciones ruidosas.

• Modelado Sustituto: El marco emplea un GP para modelar el paisaje de calibración desconocido $f(x)$, donde $x$ representa el vector de parámetros de control (frecuencia de Rabi $\Omega$, detuning de banda lateral $\delta$ y detuning de la línea central $\omega_{cl}$). A diferencia de los GP estándar, esta implementación utiliza un modelo de ruido heterocedástico. El ruido de medición $\epsilon_i$ se modela como un Gaussiano de media cero con una varianza que depende de las configuraciones de control y del número de disparos de medición $N$, reflejando la física del ruido de proyección cuántica.
• Bucle de Optimización Bayesiana: El proceso de optimización itera a través de tres pasos:
  1. Actualización del Sustituto: La posterior del GP se actualiza con nuevos datos experimentales (parámetros de control y puntuaciones medidas), optimizando los hiperparámetros (escalas de longitud, varianza de la señal, escalado de ruido) mediante la máxima verosimilitud de tipo II.
  2. Adquisición de Aprendizaje Activo: Una función de adquisición, específicamente la Cota Superior de Confianza (UCB), selecciona la siguiente configuración experimental. Esta función equilibra la explotación (muestreo de regiones con alta fidelidad predicha) y la exploración (muestreo de regiones con alta incertidumbre) para localizar eficientemente el óptimo global.
  3. Evaluación Física: Los parámetros seleccionados se aplican al sistema cuántico (simulado en este trabajo), y la puntuación de fidelidad de la puerta resultante se mide.
• Entorno de Simulación: El método se valida utilizando una simulación de una puerta Mølmer-Sørensen (MS) de iones atrapados. La simulación utiliza IonSim.jl para modelar dos iones de $^{40}\text{Ca}^+$, incorporando la excitación de portadora fuera de resonancia y efectos de pulso cuadrado mientras se niega la decoherencia para aislar el impacto del ruido de proyección cuántica. La secuencia de calibración implica inicializar los qubits en $|gg\rangle$, aplicar dos puertas MS y medir la probabilidad del estado $|ee\rangle$ ($P_{ee}$) como la puntuación.

Contribuciones Clave

• Calibración Libre de Modelo: El artículo demuestra un protocolo de calibración que no requiere un modelo directo validado del sistema cuántico, apoyándose en un sustituto de GP basado en datos.
• Manejo de Ruido Heterocedástico: Los autores integran un modelo de ruido donde la varianza de observación depende de los parámetros de control y los disparos de medición, reconociendo que el ruido de proyección cuántica varía a través del paisaje.
• Eficiencia del Aprendizaje Activo: El marco utiliza el aprendizaje activo para acelerar el descubrimiento de parámetros óptimos, mostrando que el GP puede "eliminar el ruido" del sistema de manera efectiva al imponer suavidad espacial, incluso cuando se entrena con datos ruidosos.
• Cuantificación de Límites: El estudio caracteriza explícitamente los límites de saturación de la fidelidad impuestos por el ruido de proyección cuántica de disparos finitos, distinguiendo entre la convergencia algorítmica y los límites físicos de la medición.

Resultados
Los autores validaron el enfoque mediante simulaciones numéricas de la puerta MS de iones atrapados:

• Precisión del Sustituto: El sustituto GP modeló exitosamente el paisaje de control. El aumento del número de puntos de entrenamiento ($m$) y de los disparos de medición ($N$) mejoró la precisión. Notablemente, para un $m$ grande, la media del GP pudo filtrar el ruido de proyección no correlacionado, logrando Errores Cuadráticos Medios (RMSE) por debajo del nivel de ruido medio de los datos.
• Convergencia de la Optimización:
  • Rango de Parámetros: Reducir el rango de incertidumbre inicial de los parámetros (por ejemplo, de $\pm 10$ kHz a $\pm 1$ kHz) disminuyó significativamente el tiempo hacia la convergencia y redujo la varianza en la trayectoria de optimización. Sin embargo, el optimizador fue lo suficientemente robusto para encontrar el óptimo global incluso en dominios de búsqueda a gran escala ($r=1.0$).
  • Presupuesto de Disparos: La fidelidad de la optimización se saturó basándose en el número de disparos por evaluación ($N$). La saturación siguió la escala esperada de $1 - Q \approx Q_\infty + \gamma N^{-1/2}$. Incluso con un presupuesto bajo de $N=100$ disparos, el optimizador alcanzó de forma fiable un suelo de fidelidad de $\sim 10^{-3}$, aunque más iteraciones no pudieron mejorar la fidelidad por debajo del límite de disparos finitos.
  • Precisión de Parámetros: Los parámetros de frecuencia ($\omega_{cl}$ y $\delta$) convergieron dentro de decenas de Hz de los valores ideales, mientras que la frecuencia de Rabi ($\Omega$) convergió a la relación ideal con una varianza mínima.
• Visualización: Se mostró que el proceso de aprendizaje activo muestrea inteligentemente el paisaje, concentrando las mediciones alrededor de la región óptima y estrechando la incertidumbre alrededor de los picos de frecuencia, mientras que el paisaje de amplitud permaneció más amplio debido a la menor sensibilidad en la secuencia de calibración elegida.

Significancia y Reivindicaciones
El artículo establece la utilidad del aprendizaje activo y los modelos sustitutos para la calibración y el control cuántico. Los autores afirman que su enfoque libre de modelo proporciona una "ruta ligera hacia el mantenimiento automatizado de puertas", capaz de manejar la deriva de calibración y operar sin modelos físicos detallados. Los resultados sugieren que la Optimización Bayesiana basada en Procesos Gaussianos es una herramienta práctica para tareas de control cuántico costosas y ruidosas. El trabajo destaca que, si bien es posible una calibración eficiente en recursos, la fidelidad última está limitada por el ruido de proyección cuántica inherente al proceso de medición. Los autores posicionan este método como un paso fundamental hacia la caracterización, calibración y control de sistemas cuánticos escalables, señalando que el trabajo futuro debería abordar las no idealidades del mundo real y los enfoques de multifidelidad que combinan simulaciones clásicas con mediciones cuánticas.