Performance Comparison of Neural Network Approaches for Electric Potential Field Generation in Surface Ion Traps

Resumen Técnico: Comparación de Rendimiento de Enfoques de Redes Neuronales para la Generación de Campos de Potencial Eléctrico en Trampas de Iones de Superficie

Planteamiento del Problema
Las trampas de iones de electrodos de superficie son una plataforma crítica para la computación cuántica escalable, permitiendo arquitecturas de Dispositivo de Carga Acoplada Cuántica (QCCD). Sin embargo, el diseño y la optimización de estas trampas dependen en gran medida de cálculos precisos de los campos de potencial eléctrico. Los métodos numéricos tradicionales, como el Método de Elementos Finitos (FEM), el Método de Diferencias Finitas (FDM) y el Método de Elementos de Contorno (BEM), son computacionalmente costosos. El FEM, aunque preciso, requiere recursos significativos para resolver la ecuación de Laplace en mallas finas, lo que ralentiza el prototipado. Si bien el Método del Ángulo Sólido (SAM) ofrece un enfoque basado en fronteras más eficiente con una complejidad de $O(nm)$, los autores identifican la necesidad de métodos aún más rápidos para facilitar la exploración rápida de diseños y la corrección en tiempo real de imperfecciones experimentales como los campos errantes.

Metodología
El estudio evalúa tres arquitecturas distintas de redes neuronales para generar campos de potencial eléctrico en trampas de iones de superficie, utilizando el Método del Ángulo Sólido (SAM) como verdad de referencia para el entrenamiento y la validación. Una simulación FEM de COMSOL Multiphysics sirve como línea de base clásica para la comparación de velocidad.

1. Red Neuronal Convolucional (CNN): Una arquitectura de codificador-decodificador inspirada en la traducción de imagen a imagen. Toma dos parámetros de entrada (anchos de electrodos de RF y distancia de separación) y los mapea a un espacio latente, realizando un upsampling progresivo de $8\times8$ a un campo de potencial de $50\times50$ mediante capas convolucionales y conexiones de salto (skip connections). Contiene aproximadamente 15 millones de parámetros.
2. Operador Neuronal de Fourier (FNO): Esta arquitectura utiliza transformaciones espectrales para modelar el comportamiento global del campo, lo cual es adecuado para campos físicos suaves. Emplea un codificador MLP, seis capas de Fourier con truncamiento de modo (hasta $26\times26$ modos) y una capa de proyección para producir un campo de $50\times50$. Contiene aproximadamente 8 millones de parámetros.
3. Capas Totalmente Conectadas (FCL): Un enfoque de punto por punto donde las coordenadas espaciales se introducen directamente en la red junto con los parámetros de los electrodos. El sistema utiliza tres redes especializadas para predecir el potencial eléctrico, el logaritmo de la magnitud del campo ($\lg(|E|)$) y el signo del campo, que se combinan para reconstruir el campo. Esto evita la regresión directa sobre rangos dinámicos extensos.

Estrategia de Entrenamiento
Todos los modelos fueron entrenados utilizando la pérdida de Error Cuadrático Medio (MSE). Un componente crítico de la metodología fue la implementación de una estrategia de enmascaramiento, donde los puntos con magnitudes de pseudopotencial por debajo de un umbral ($\epsilon = 0.3$ eV) fueron excluidos del cálculo de la pérdida. Esto centró el entrenamiento en la región físicamente relevante del confinamiento de iones (dentro de $\sim10$ $\mu$m del punto de equilibrio). Los autores probaron y rechazaron explícitamente las Redes Neuronales Informadas por la Física (PINNs) con restricciones de Laplaciano ($\nabla^2\phi=0$), citando la inestabilidad numérica debido a la resolución de la rejilla discreta y la dificultad de equilibrar las funciones de pérdida multiobjetivo.

Resultos Clave
El estudio compara las arquitecturas basándose en la precisión de la reconstrucción del campo, la extracción de parámetros de la trampa y el rendimiento computacional en hardware CPU y GPU.

• Precisión: El Operador Neuronal de Fourier (FNO) demostró un rendimiento superior. El FNO enmascarado logró un error de campo de potencial efectivo promedio de solo 0.02% y un error de campo de 0.15%, con una tasa de éxito del 100% en la generación de campos físicamente significativos. En contraste, la CNN enmascarada mostró un error de potencial de 0.49%, y el enfoque FCL produjo un error de 0.40% al extraer los parámetros desde el potencial.
• Extracción de Parámetros: El FNO enmascarado proporcionó la mayor precisión para los parámetros críticos de la trampa: altura de equilibrio ($0.1\%$ de error), frecuencia secular ($4.1\%$ de error) y profundidad de la trampa ($2.8\%$ de error). La CNN tuvo dificultades con las dependencias de largo alcance, resultando en errores más altos para la frecuencia ($23.8\%$) y la profundidad ($15.6\%$).
• Rendimiento Computacional:
  • Velocidad: En GPU, el tiempo de inferencia del FNO fue de 0.53 ms por campo, comparado con los 2.4 ms de la CNN y los 62 ms de una generación FCL de campo completo.
  • Comparación con Baselines: El FNO es aproximadamente 10 veces más rápido que el Método del Ángulo Sólido (SAM) en CPU (5.7 ms vs. 7.8 ms) y aproximadamente 1,800 veces más rápido que las simulaciones FEM de COMSOL (980 ms).
  • Hardware: Aunque todas las redes neuronales mostraron aceleraciones significativas en GPUs, el FNO ofreció el mejor equilibrio entre velocidad y precisión.

Significancia y Reivindicaciones
Los autores afirman que el Operador Neuronal de Fourier es un fuerte candidato para reemplazar o aumentar las simulaciones numéricas tradicionales en el diseño de trampas de iones de superficie. La principal significancia de este trabajo radica en demostrar que los operadores neuronales pueden lograr un error inferior al 0.02% en la generación de campos de potencial, proporcionando al mismo tiempo una aceleración de 10 veces sobre los métodos eficientes existentes (SAM) y órdenes de magnitud de aceleración sobre las herramientas estándar de FEM.

El artículo concluye que la capacidad del FNO para capturar relaciones de campo globales a través de transformaciones espectrales lo hace particularmente adecuado para la naturaleza suave y de satisfacción de Laplace de los potenciales eléctricos en trampas de iones. Los autores aseguran que este enfoque permite una exploración y optimización más rápida del espacio de diseño. Sugieren modestamente que el trabajo futuro podría extender estos métodos a geometrías 3D, campos de RF dependientes del tiempo y cristales de múltiples iones, pero no reclaman un despliegue inmediato en bucles de control experimental en vivo, enfocándose en lugar en el potencial para procesos de diseño automatizados y una exploración exhaustiva del espacio de parámetros.