Characterizing Physical Error Contributions of Quantum Gates

La quête de la construction d'un ordinateur quantique utile est une course contre l'invisible. Au cœur de ces machines se trouvent les bits quantiques, ou qubits, qui détiennent l'information dans un état fragile de superposition, leur permettant d'effectuer des calculs qui prendraient des millénaires aux superordinateurs classiques pour être résolus. Cependant, cette puissance s'accompagne d'une faiblesse sévère : le moindre dérangement de l'environnement — un champ magnétique parasite, une fluctuation de température ou une infime imperfection dans l'électronique de contrôle — peut provoquer la perte d'information du qubit. Cette perte, connue sous le nom de bruit, est le principal obstacle empêchant les ordinateurs quantiques d'atteindre leur plein potentiel. Pour résoudre le problème, les scientifiques doivent d'abord comprendre exactement d'où proviennent les erreurs. Il ne suffit pas de savoir qu'un calcul a échoué ; les ingénieurs doivent savoir si l'échec a été causé par la perte d'énergie du qubit, par un signal de contrôle légèrement trop long, ou par un bruit lent et dérivant qui s'accumule avec le temps. Sans une carte précise de ces sources d'erreur, améliorer le matériel revient à essayer de réparer un moteur complexe les yeux bandés.

Une équipe de chercheurs d'IQM Quantum Computers et de l'Université Ludwig-Maximilians-Universität München a développé une nouvelle façon de créer cette carte, une méthode qui non seulement identifie les erreurs, mais indique également aux scientifiques à quel point ils peuvent faire confiance à l'identification. Dans une étude axée sur un type spécifique de processeur quantique supraconducteur, les chercheurs ont appliqué leur méthode pour mesurer la performance des portes à un qubit et à deux qubits, les opérations fondamentales qui manipulent l'information quantique. Ils ont constaté que, bien qu'ils puissent localiser les sources d'erreur pour les opérations à un qubit avec une grande confiance, ce même niveau de certitude n'était pas possible pour les portes à deux qubits, plus complexes. Crucialement, leur méthode n'a pas caché cette incertitude ; au contraire, elle l'a signalée comme un avertissement indiquant que leur compréhension actuelle de la physique était incomplète. Cette approche marque un passage de la simple supposition sur l'origine des erreurs à un processus rigoureux, fondé sur les données, qui admet quand le modèle est incomplet.

Pour comprendre le défi, il faut observer comment les ordinateurs quantiques sont actuellement testés. Traditionnellement, les scientifiques mènent une série d'expériences pour mesurer combien de temps un qubit peut maintenir son état ou avec quelle précision il effectue une rotation. Ils injectent ensuite ces chiffres dans un modèle mathématique pour estimer la contribution de chaque facteur à l'erreur totale. Ce processus suppose que le modèle est parfait et que les erreurs sont indépendantes les unes des autres. Cependant, dans le monde réel des circuits supraconducteurs, les erreurs sont souvent liées, complexes et évoluent avec le temps. Un modèle qui suppose que tout est simple et indépendant peut produire un chiffre précis en apparence, mais ce chiffre pourrait être totalement erroné si les hypothèses sous-jacentes sont faussées. Les chercheurs ont réalisé que s'appuyer sur ces modèles statiques était risqué, surtout à mesure que les processeurs quantiques deviennent plus grands et plus complexes. Ils avaient besoin d'un moyen d'apprendre directement à partir des données tout en gardant un contrôle constant sur la validité de leurs hypothèses.

La solution qu'ils proposent est un cadre basé sur l'apprentissage qui sert de pont entre le monde physique et le modèle informatique. Au lieu de tenter de résoudre les équations complexes pour chaque nouvelle expérience, l'équipe a d'abord construit une simulation extrêmement détaillée de leur processeur quantique. Cette simulation incluait chaque source d'erreur connue, de la décomposition naturelle de l'énergie des qubits aux fluctuations subtiles et lentes des champs magnétiques qui dérivent au fil du temps. Ils ont lancé des milliers d'expériences virtuelles au sein de cette simulation, enregistrant les résultats et les contributions d'erreurs spécifiques pour chaque scénario. En utilisant cet immense ensemble de données, ils ont entraîné un outil d'apprentissage automatique appelé Régression par Processus Gaussien. Cet outil a appris à reconnaître des motifs, mémorisant efficacement la relation entre les données expérimentales brutes et les erreurs physiques spécifiques qui les ont causées. Une fois entraîné, cet outil pouvait prendre un nouvel ensemble de mesures réelles et prédire instantanément le budget d'erreur, c'est-à-dire la répartition de l'origine des fautes.

Ce qui rend cette méthode particulièrement puissante est sa capacité à mesurer sa propre confiance. L'outil d'apprentissage automatique ne donne pas seulement une réponse unique ; il fournit une plage d'incertitude. Si les données réelles ressemblent beaucoup aux données vues lors de l'entraînement, l'incertitude est faible et la prédiction est fiable. Mais si les données réelles se comportent d'une manière que la simulation n'a jamais rencontrée, l'incertitude de l'outil grimpe en flèche. Ce pic n'est pas un échec de la méthode ; c'est une caractéristique. Il sert de signal de diagnostic, indiquant aux chercheurs que leur modèle physique est incomplet. C'est la différence entre une prévision météorologique qui prédit avec assurance le soleil alors qu'une tempête couve, et une prévision qui dit : « Je ne suis pas sûr, car les conditions sont différentes de tout ce que j'ai vu auparavant. »

L'équipe a testé ce cadre sur une paire de qubits dans un réseau de transmons, une architecture courante pour les ordinateurs quantiques supraconducteurs. Ils se sont concentrés sur deux types d'opérations : la porte à un qubit, qui bascule l'état d'un qubit, et la porte à deux qubits, qui lie deux qubits par intrication. Pour les portes à un qubit, les résultats ont été rassurants. Le cadre a réussi à reconstruire le budget d'erreur, identifiant que les erreurs dominantes provenaient de la perte d'énergie des qubits et de légères imperfections dans les impulsions de contrôle. L'incertitude était faible, ce qui signifie que l'équipe pouvait être certaine que leur modèle décrivait avec précision la physique de ces opérations. Ils pouvaient voir exactement comment chaque facteur contribuait à l'erreur totale, offrant ainsi une cible claire pour les améliorations futures.

L'histoire a changé lorsqu'ils ont porté leur attention sur les portes à deux qubits. Ces opérations sont nettement plus complexes, impliquant un troisième composant appelé coupleur qui relie les deux qubits. Lorsque les chercheurs ont appliqué leur cadre aux données des portes à deux qubits, les estimations d'incertitude étaient élevées. L'outil a signalé que même leur modèle détaillé, fondé sur les premiers principes et incluant des bruits non markoviens complexes ainsi que des distorsions d'impulsion, ne capturait pas pleinement la dynamique du système. Les erreurs du monde réel se comportaient d'une manière que la simulation ne prédisait pas. Il s'agissait d'une découverte critique. Une méthode traditionnelle aurait forcé les données à entrer dans le modèle, produisant un budget d'erreur précis mais trompeur qui masquerait la véritable complexité du problème. Au lieu de cela, ce nouveau cadre a admis l'écart, fournissant une preuve quantitative que la compréhension actuelle des erreurs des portes à deux qubits est incomplète.

Les chercheurs ont identifié que les erreurs dominantes des portes à deux qubits étaient probablement liées aux imperfections des impulsions de contrôle et à la manière spécifique dont le coupleur interagit avec les qubits, mais l'incertitude élevée suggérait que d'autres facteurs non modélisés étaient en jeu. Ceux-ci pourraient inclure des distorsions subtiles dans les signaux électriques ou des interactions avec l'environnement à des fréquences qu'ils n'avaient pas encore sondées. L'étude souligne que, si le matériel actuel est impressionnant, le chemin vers l'informatique quantique à grande échelle nécessite non seulement un meilleur matériel, mais aussi de meilleures façons de le comprendre. La capacité de distinguer ce qui est connu de ce qui est inconnu est tout aussi importante que les mesures elles-mêmes.

Ce travail représente une étape significative dans la caractérisation du matériel quantique. En traitant l'établissement du budget d'erreur comme un problème d'apprentissage plutôt que comme un simple calcul, les chercheurs ont créé un outil qui est à la fois puissant et honnête. Il permet aux scientifiques d'extraire des informations détaillées d'expériences complexes tout en les avertissant simultanément lorsque leurs modèles sont insuffisants. À mesure que les processeurs quantiques continuent de croître en échelle, avec plus de qubits et des interactions plus complexes, la capacité de détecter ces lacunes de compréhension sera essentielle. Le cadre ne se contente pas de dire aux ingénieurs ce qui ne va pas ; il leur indique où leur connaissance s'arrête, les guidant vers les prochaines expériences nécessaires pour combler les pièces manquantes. Dans la course pour construire un ordinateur quantique fiable, savoir ce que l'on ne sait pas est la première étape pour résoudre le problème.