Non-Stationary Decoherence in Superconducting Qubits:Memory Multi-Fractional Brownian Motion and a Time-Dependent Quantum Brownian Motion Extension

En la búsqueda de la construcción de una computadora cuántica, los científicos están tratando de aprovechar las extrañas reglas del mundo subatómico para resolver problemas que son imposibles para las máquinas actuales. En el corazón de estas máquinas se encuentran diminutos circuitos llamados qubits superconductores, que actúan como las unidades básicas de información. Para funcionar, estos circuitos deben permanecer en un delicado estado de coherencia cuántica, una condición en la que pueden existir en múltiples estados a la vez. Sin embargo, el mundo real es ruidoso. Fluctuaciones invisibles en los campos eléctricos y entornos magnéticos bombardean constantemente estos circuitos, haciendo que pierdan su información cuántica y colapsen en estados ordinarios. Este proceso, conocido como decoherencia, es el principal obstáculo que se interpone entre la tecnología actual y las potentes computadoras cuánticas. Durante décadas, los investigadores han intentado modelar este ruido utilizando herramientas estadísticas estándar que asumen que el ruido es aleatorio e invariable, como la estática en una radio. Pero mediciones recientes sugieren que el ruido en estos circuitos es mucho más complejo, comportándose con una memoria larga y cambiando su carácter con el tiempo de formas que los modelos antiguos no pueden explicar.

Un nuevo estudio de Mahboob Ul Haq ofrece una nueva forma de entender y predecir este ruido obstinado. El investigador propone un modelo unificado que trata al entorno alrededor de un qubit superconductivo no como un fondo simple y estático, sino como un sistema dinámico con una memoria que evoluciona. En este marco, el ruido se describe utilizando un concepto matemático llamado movimiento browniano multifraccionario de memoria. Imagine un camino que no es solo aleatorio, sino uno donde la rugosidad del camino cambia lentamente mientras usted camina por él. En el contexto del qubit, esto significa que la "rugosidad" o intensidad de las fluctuaciones del ruido cambia con el tiempo, creando un patrón que los modelos estándar pasan por alto. El estudio combina esta descripción clásica con una extensión de la mecánica cuántica, vinculando el entorno ruidoso con un baño microscópico de partículas que interactúan con el qubit. Esta conexión permite al modelo explicar cómo se comporta el ruido a diferentes temperaturas y cómo transiciona del comportamiento cuántico al comportamiento clásico.

El investigador utilizó este nuevo marco para ejecutar simulaciones computacionales detalladas de cómo un qubit de carga superconductivo pierde su energía y coherencia. Encontraron que el ruido no simplemente se desvanece en una curva suave y predecible como predecían las teorías anteriores. En su lugar, la coherencia del qubit decae en un patrón estirado, ralentizándose y acelerándose de una manera que refleja la memoria cambiante del entorno. Las simulaciones revelaron números específicos sobre cuánto tiempo podrían estos qubits mantener su información bajo estas condiciones. El modelo predijo un tiempo de relajación, que es cuánto tiempo permanece el qubit en su estado de energía, de aproximadamente 5.00 millones de nanosegundos. El tiempo que le toma al qubit perder su información de fase, conocido como tiempo de desfasaje, fue calculado en unos 418,000 nanosegundos. Estos resultados sugieren que cuando el ruido está dominado por fluctuaciones de carga, el qubit puede mantener su estado durante períodos sorprendentemente largos, siempre que se tenga en cuenta la naturaleza única y variable en el tiempo del ruido.

Uno de los hallazgos más significativos es que el exponente de ruido, un número que describe cómo cambia la potencia del ruido con la frecuencia, no es una constante fija. En modelos previos, se asumía que este valor era el mismo en todo momento. Sin embargo, este estudio muestra que el exponente deriva lentamente, coincidiendo con las observaciones experimentales de dispositivos reales con mucha más precisión de lo que cualquier valor constante podría hacerlo. El investigador demostró que, al permitir que este exponente cambera, su modelo podía capturar las correlaciones de largo alcance en el ruido que persisten durante muchos ciclos de puerta. Esto significa que el entorno recuerda fluctuaciones pasadas e influye en las futuras, una característica que los modelos estándar ignoran. El estudio también mostró que la relajación de la energía y la amplitud del ruido actúan de forma independiente sobre la decadencia de la energía del qubit, una distinción que ayuda a diseñar mejores estrategias de corrección de errores.

El artículo explora además cómo este ruido afecta el rendimiento de las puertas cuánticas, las operaciones que procesan la información. Al analizar la competencia entre la pérdida de energía y el desfasaje, el estudio identificó una ventana de tiempo óptima potencial para realizar estas operaciones. Si una puerta es demasiado rápida, el ruido la interrumpe; si es demasiado lenta, el qubit pierde su estado debido a la relajación. El modelo sugiere una duración específica donde el error total se minimiza, ofreciendo una guía para los ingenieros que construyen estos circuitos. Sin embargo, el autor señala que esta optimización depende de un modelo de error que asume un desfasaje gaussiano y aún no incluye una validación dinámica completa de efectos de orden superior. El investigador también probó su teoría contra diferentes tipos de núcleos de memoria, que son funciones matemáticas que describen cómo el entorno recuerda el pasado. Encontraron que un núcleo adaptativo, que cambia su forma para coincidir con el ruido evolutivo, reproducía las fluctuaciones realistas mucho mejor que los modelos fijos e inalterables.

Para asegurar que sus hallazgos fueran robustos, el investigador comparó sus resultados con límites establecidos. Demostró que cuando la temperatura es lo suficientemente alta, su complejo modelo cuántico se simplifica naturalmente en la descripción clásica con la que comenzó, probando que ambos enfoques son consistentes. También verificó que su modelo reproduce correctamente el comportamiento del ruido estándar cuando el entorno es simple e invariable. Sin embargo, el estudio también destaca los límites de los métodos actuales. El investigador señaló que simular estos sistemas a temperaturas extremadamente bajas presenta desafíos numéricos, particularmente en el manejo del comportamiento singular del ruido a frecuencias muy bajas. También encontraron que usar aprendizaje automático para extraer los parámetros de ruido de los datos era difícil con redes neuronales estándar, ya que el modelo fallaba al generalizar de manera confiable, lo que sugiere que se necesitarán algoritmos más avanzados y conscientes de las secuencias para decodificar completamente estos patrones complejos en el futuro.

En última instancia, este trabajo proporciona un mapa más flexible y realista del paisaje ruidoso que los qubits superconductores deben navegar. Al reconocer que el ruido tiene una memoria que cambia con el tiempo, el estudio va más allá de las limitaciones de los modelos estáticos más antiguos. Ofrece una forma de predecir los tiempos de coherencia y los errores de puerta con mayor precisión, lo cual es esencial para diseñar la próxima generación de hardware cuántico. Si bien el modelo se basa en simulaciones y derivaciones teóricas en lugar de nuevos experimentos físicos, proporciona un camino claro para pruebas futuras. El investigador sugiere que medir los patrones de decaimiento específicos y las dependencias de la temperatura que identificaron en dispositivos reales sería el siguiente paso para confirmar que esta visión del mundo cuántico, dependiente del tiempo y rica en memoria, es la correcta.