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

En la búsqueda para construir una computadora cuántica práctica, los científicos se enfrentan a un obstáculo fundamental: la necesidad de realizar operaciones con una precisión extrema. Estas máquinas dependen de unidades diminutas de información llamadas cúbits, que pueden existir en múltiples estados a la vez, una propiedad que les permite resolver ciertos problemas mucho más rápido que las computadoras clásicas. Sin embargo, para que estos cúbits sean útiles, los investigadores deben manipularlos con una sincronización y una fuerza perfectas para crear puertas lógicas, los bloques de construcción básicos de cualquier cálculo. El desafío radica en diseñar las señales de control —esencialmente ondas de radio o pulsos láser— que dirigen estos cúbits. Estas señales deben ser suaves y estar cuidadosamente formadas para evitar errores, pero también deben respetar las estrictas leyes físicas que rigen cómo se mueven e interactúan las partículas cuánticas. Si el control es demasiado brusco o impreciso, el delicado estado cuántico colapsa y el cálculo falla. Durante años, encontrar estas señales de control perfectas ha requerido cálculos computacionales pesados y repetitivos que son lentos y difíciles de escalar para máquinas complejas.

Un equipo de investigadores ha propuesto ahora una nueva forma de resolver este problema utilizando un tipo de inteligencia artificial conocida como red neuronal informada por la física. En lugar de tratar a la computadora como una caja negra que simplemente adivina la mejor señal, este enfoque enseña a la computadora las leyes físicas reales que gobiernan los cúbits. Los investigadores entrenaron su sistema para encontrar los pulsos de control perfectos para dos tareas específicas: una operación de un solo cúbit llamada puerta Hadamard, que crea una superposición de estados, y una operación de dos cúbits llamada puerta NOT controlada, que vincula dos cúbits para crear entrelazamiento. Al integrar la ecuación de Schrödinger dependiente del tiempo —la regla central que describe cómo evolucionan los sistemas cuánticos— directamente en el proceso de entrenamiento, la red aprendió a generar campos de control suaves y continuos que satisfacen tanto el resultado deseado como las restricciones físicas del sistema.

Los resultados de esta simulación son notablemente precisos. Para la puerta Hadamard de un solo cúbit, el sistema produjo un pulso de control que logró una tasa de error promedio de aproximadamente 8.49 veces 10 a la potencia negativa 8. Esto significa que la puerta funciona correctamente más del 99.99999 por ciento de las veces. Para la puerta NOT controlada de dos cúbits, que es más compleja, el rendimiento varió ligeramente dependiendo de cómo estuvieran conectados los dos cúbits, pero las tasas de error se mantuvieron increíblemente bajas, oscilando entre aproximadamente 3.39 veces 10 a la potencia negativa 7 y 4.96 veces 10 a la potencia negativa 6. Estos números indican que los pulsos de control aprendidos son altamente efectivos para dirigir el sistema cuántico al estado exacto requerido para un cálculo exitoso.

Más allá de solo encontrar los pulsos, los investigadores investigaron cómo se comportan estas señales bajo diferentes condiciones. Probaron los controles aprendidos contra varios tipos de interacciones entre cúbits, incluyendo aquellas que actúan a lo largo de diferentes direcciones espaces. Encontraron que la forma específica del pulso de control dependía fuertemente del tipo de conexión entre los cúbits. Por ejemplo, cuando los cúbits interactuaban de una manera específica, el sistema requería señales de control fuertes en un cúbit pero muy débiles en el otro. En otra configuración, necesitaba una mezcla equilibrada de señales en ambos. Esto sugiere que no existe un patrón de control único de "talla única"; el signo óptimo debe adaptarse al hardware físico específico que se esté utilizando.

El equipo también examinó cómo estos pulsos perfectos resistirían en un entorno del mundo real donde el ruido y la pérdida de energía son inevitables. Simularon el efecto de la desfasificación, donde el estado cuántico pierde su coherencia, y la amortiguación de amplitud, donde el cúbit pierde energía hacia su entorno. Incluso sin reentrenar la red para estas condiciones ruidosas, los pulsos que ya habían aprendido mostraron una caída predecible y lineal en el rendimiento a medida que el ruido aumentaba. Este comportamiento coincidió con las expectativas teóricas, confirmando que el método produce controles robustos que se degradan de manera elegante en lugar de fallar catastróficamente cuando se enfrentan a la interferencia ambiental.

Finalmente, los investigadores abordaron una preocupación práctica para los ingenieros que eventualmente construirán estas máquinas: cómo almacenar y transmitir estas complejas señales de control. La red neuronal produce curvas suaves y continuas que son difíciles de almacenar en un formato simple. Para resolver esto, el equipo convirtió estas complejas formas de onda en una representación matemática compacta utilizando un tipo específico de expansión polinómica. Encontraron que solo 24 números fueron suficientes para describir cada pulso de control con una precisión tan alta que la diferencia entre la curva original y la versión simplificada era insignificante. Este formato compacto facilita mucho la transferencia de las soluciones aprendidas al hardware cuántico real, cerrando la brecha entre el diseño teórico y la implementación física.

El estudio demuestra que integrar las leyes físicas directamente en el aprendizaje automático ofrece un camino poderoso hacia adelante para el control cuántico. Al entrenar en un conjunto diverso de condiciones iniciales y validar los resultados contra pruebas independientes, los investigadores demostraron que su método puede generar puertas de alta fidelidad sin necesidad de ajustar manualmente cada parámetro. Aunque estos hallazgos provienen de simulaciones por computadora, proporcionan un plano claro de cómo podrían programarse las futuras computadoras cuánticas. La capacidad de generar pulsos de control suaves, robustos y compactos sugiere que la difícil tarea de diseñar el "software" para las máquinas cuánticas se está volviendo más manejable, allanando el camino para tecnologías cuánticas más confiables y escalables.