Sparse Non-Markovian Noise Modeling of Transmon-Based Multi-Qubit Operations

Cet article présente une approche de modélisation du bruit parcimonieuse et non markovienne pour les opérations multi-qubits basées sur des transmons, validée sur sept dispositifs IBM Quantum, laquelle surpasse significativement les modèles par défaut pour prédire la dynamique du matériel et permet des stratégies efficaces d'atténuation des erreurs.

L'essentiel

Imaginez que vous essayez de cuisiner le gâteau parfait, mais que votre cuisine est hantée par des fantômes invisibles. Parfois, les fantômes chuchotent à l'oreille du four (changeant la température), parfois ils bousculent le batteur (changeant la vitesse), et parfois ils échangent même des ingrédients entre deux bols différents en même temps. Dans le monde de l'informatique quantique, ces « fantômes » sont le bruit, et c'est la raison principale pour laquelle les ordinateurs quantiques actuels commettent des erreurs.

Ce document traite de la création d'un meilleur « manuel de chasse aux fantômes » pour un type spécifique d'ordinateur quantique appelé Transmon. Les auteurs ne se sont pas contentés de deviner comment ces fantômes se comportent ; ils sont allés au laboratoire, les ont observés de près et ont écrit un nouveau manuel de règles plus intelligent qui prédit exactement comment les fantômes vont gâcher le gâteau.

Voici la décomposition de leur travail en utilisant des analogies de la vie quotidienne :

1. Le Problème : Le « Parfait » contre le « Réel »

La plupart des gens essaient de modéliser ces ordinateurs quantiques en supposant que les fantômes sont simples et amnésiques. Ils supposent que si un fantôme bouscule le batteur aujourd'hui, il n'aura pas de mémoire pour le bousculer à nouveau demain. C'est ce qu'on appelle un modèle markovien (comme une personne sans mémoire).

Cependant, les auteurs ont découvert que dans les vrais ordinateurs quantiques, les fantômes sont en réalité des détenteurs de mémoire. Ils sont « non-markoviens ».

• L'analogie : Imaginez un batteur qui ne se contente pas de frapper un rythme de manière aléatoire. Au lieu de cela, il a un rythme qui change lentement au fil du temps, ou il est distrait par un ami dans la pièce (diaphonie/crosstalk) et commence à jouer en rythme avec lui. Si vous modélisez seulement le batteur comme frappant des rythmes aléatoires, votre prédiction de la chanson sera fausse.

2. La Solution : Un Détective « Hybride »

Les auteurs ont créé un nouveau modèle qui agit comme un détective hybride. Il combine trois façons différentes d'observer le problème :

• Le Canal : Regarder le résultat final (le gâteau).
• L'Équation : Regarder la physique de la façon dont le bruit se déplace.
• La Vue Stochastique (Aléatoire) : Regarder le bruit comme une variable aléatoire fluctuante (comme des parasites sur une radio).

Ils ont construit un modèle qui est parsimonieux (il n'utilise pas un million de variables compliquées) mais prédictif (il vous dit exactement ce qui va se passer). Ils ont découvert qu'ils n'avaient besoin que d'environ 10 nombres par qubit (un seul bit quantique) et de 3 nombres par paire de qubits pour décrire le chaos.

3. Comment ils ont appris les règles (La Caractérisation)

Pour comprendre ce que faisaient les fantômes, ils n'ont pas seulement regardé l'ordinateur exécuter un programme complexe. À la place, ils ont effectué une série de « tests de stress » spécifiques (expériences de caractérisation) :

• Le test T1 : Ils ont attendu de voir combien de temps un qubit reste excité avant de s'endormir (relaxation).
• Le test Ramsey : Ils ont observé un qubit osciller comme un pendule pour voir s'il était tiré par des cordes invisibles (Systèmes à Deux Niveaux ou TLS).
• Le test de Diaphonie (Crosstalk) : Ils ont activé deux qubits en même temps pour voir s'ils commençaient à se chuchoter des choses lorsqu'ils ne le devraient pas.
• Le test d'« Écho » : Ils ont utilisé des séquences d'impulsions spéciales (comme un casque à réduction de bruit pour le qubit) pour filtrer des types spécifiques de bruit et voir ce qu'il restait.

4. Les Grandes Découvertes

En testant 39 qubits sur 7 ordinateurs quantiques IBM différents, ils ont découvert :

• La plupart sont « amnésiques » : Environ 64 % des qubits se comportaient comme les modèles simples et sans mémoire prédisaient.
• Certains sont « dotés de mémoire » : 26 % présentaient un « bruit coloré » (un bruit qui change lentement) et 10 % avaient des « erreurs de contrôle corrélées » (les signaux de contrôle eux-mêmes fluctuaient selon un motif).
• Les fantômes « TLS » : Ils ont confirmé que de nombreux qubits sont couplés à de minuscules défauts fluctuants (TLS) qui agissent comme des qubits supplémentaires et invisibles, faisant osciller le qubit principal selon des motifs complexes.
• Les fantômes de « Diaphonie » (Crosstalk) : Les qubits voisins s'influençaient effectivement les uns les autres, provoquant des erreurs que les modèles standards manquaient.

5. Prouver que le Modèle Fonctionne

Les auteurs ne se sont pas arrêtés à la description du bruit ; ils ont utilisé leur nouveau modèle pour prédire comment l'ordinateur se comporterait lors de tâches réelles.

• Le test de « Découplage Dynamique » : Ils ont essayé de protéger un qubit du bruit à l'aide d'une séquence d'impulsions (comme un bouclier). Leur modèle a correctement prédit l'efficacité de ce bouclier, même lorsque le bruit était complexe et corrélé.
• Le test VQE (La Grande Victoire) : Ils ont utilisé leur modèle pour simuler un calcul chimique (trouver l'énergie d'une molécule d'hydrogène).
  • Le Résultat : Le modèle de bruit par défaut (celui fourni par IBM) présentait une erreur d'environ 3,6 %.
  • Le Nouveau Modèle : Leur nouveau modèle plus intelligent présentait une erreur de seulement 0,5 %.
  • La Métaphore : Si le modèle par défaut était une carte floue qui vous faisait dévier de 3 miles de votre trajectoire, leur nouveau modèle était un GPS qui vous emmenait presque exactement à destination. Il était 7 fois plus précis.

6. Pourquoi cela compte (Pour l'instant)

L'article conclut qu'en comprenant mieux ces « fantômes » (le bruit), nous pouvons construire de meilleurs protocoles de correction d'erreurs. Si vous savez que le bruit est corrélé (comme un tambourinement rythmique) plutôt qu'aléatoire, vous pouvez concevoir des techniques de « réduction de bruit » spécifiques pour l'arrêter.

Ils ont également montré que ce modèle peut être simplifié en un « canal composite » (un ensemble de règles) qui peut être mis à l'échelle. Cela signifie que nous pouvons utiliser cette compréhension pour prédire le comportement d'ordinateurs quantiques plus larges et plus complexes sans avoir à simuler chaque atome, ce qui prendrait trop de puissance de calcul.

En bref : Les auteurs ont construit un meilleur « manuel d'instructions » pour les ordinateurs quantiques qui tient compte du fait que le bruit possède une mémoire et des habitudes. En utilisant ce manuel, ils ont pu prédire le comportement de l'ordinateur avec une précision bien plus élevée que les outils standards, prouvant que la compréhension des « fantômes » est la clé pour rendre les ordinateurs quantiques utiles.

Résumé technique

Résumé Technique : Modélisation de Bruit Non-Markovien Sparse de l'Opérations Multi-Qubits Basées sur les Transmons

Énoncé du Problème
Le bruit demeure l'obstacle principal empêchant les processeurs quantiques actuels d'exécuter des calculs précis. Bien que divers protocoles de mitigation et de correction d'erreurs existent, leur efficacité repose fortement sur une connaissance précise des processus de bruit sous-jacents. Construire des modèles de bruit qui soient à la fois parsemés en paramètres (pour rester exploitables sur le plan computationnel et réalisables expérimentalement) et prédictifs (capables de capturer des dynamiques complexes comme les effets non-markoviens) est un défi majeur. Les approches existantes font souvent un compromis entre simplicité (canaux quantiques markoviens) et précision physique (équations de maître ou hamiltoniens stochastiques), échouant fréquemment à capturer les sources de bruit spatialement et temporellement corrélées prévalentes dans les dispositifs supraconducteurs à transmons.

Méthodologie
Les auteurs proposent un cadre de modélisation de bruit hybride qui intègre des aspects de la formalisation des canaux quantiques, des équations de maître (ME) et de la formalisation des hamiltoniens stochastiques. Le cœur du modèle est une équation de maître de Lindblad (LME) modifiée, définie sur un espace de Hilbert étendu :
$$\dot{\rho}(t) = -i[H(t),\rho] + \sum_k \gamma_k (L_k\rho L_k^\dagger - \frac{1}{2}\{L_k^\dagger L_k, \rho\})$$

L'hamiltonien $H(t)$ est décomposé en :

1. Termes de Contrôle ($H_C$) : Opérations idéales à un et deux qubits (spécifiquement les portes de résonance croisée d'écho).
2. Bruit Local ($H_N$) : Modélisé via des variables stochastiques dépendantes du temps représentant le bruit de contrôle et de déphasage.
3. Degrés de Liberté Étendus :
   • Qubits Spectateurs ($H_{XT}$) : Modélisés via des interactions ZZ pour capturer la diaphonie (crosstalk).
   • Systèmes à Deux Niveaux ($H_{TLS}$) : Modélisés comme des qubits effectifs couplés via des interactions ZZ pour capturer les oscillations multi-fréquences.

Le modèle distingue le bruit localement markovien (non corrélé, local), le bruit étendu markovien (corrélé mais modélisé via un espace de Hilbert élargi), et le bruit stochastique (temporellement corrélé, non-markovien).

Protocole de Caractérisation
Pour apprendre les paramètres du modèle, les auteurs utilisent une suite de circuits d'amplification de bruit canoniques plutôt qu'une tomographie gourmande en ressources. Le protocole implique :

• Expériences à un Qubit : $T_1$, Écho de Hahn ($T_2$), Ramsey, Préparation d'État et Mesure (SPAM), séquences à temps total fixe (FTTPS) et séquences à largeur d'impulsion finie (FPW).
• Expériences à deux Qubits : Caractérisation de la diaphonie (XT) et de la résonance croisée (CR).
• Spectroscopie de Bruit Quantique (QNS) : Utilisation de FTTPS pour extraire les densités spectrales de puissance (PSD) pour le déphasage corrélé et le bruit de contrôle.

La procédure d'ajustement minimise l'erreur quadratique moyenne (MSE) entre les probabilités de survie expérimentales et les solutions analytiques dérivées de la LME. Si les modèles markoviens échouent à ajuster les données de l'analyse de benchmarking randomisé (RB), le modèle est promu pour inclure des termes de bruit stochastique caractérisés via la QNS.

Résultats Clés
Le modèle a été validé sur 39 qubits sur sept plateformes IBM Quantum (générations Falcon et Eagle) :

1. Parcimonie des Paramètres : Le modèle nécessite seulement 10 paramètres par qubit et 3 par paire de qubits, apprenables via un ensemble limité d'expériences de caractérisation.
2. Classification du Bruit :
   • 64 % des qubits présentaient un comportement purement markovien.
   • 26 % présentaient un déphasage corrélé (souvent dans le régime DC/quasistatique).
   • 10 % présentaient un bruit de contrôle corrélé.
   • 5 % présentaient les deux.
3. Précision Prédictive :
   • Le modèle a prédit avec succès les taux de décroissance du benchmarking randomisé pour les portes à un qubit sans accès préalable aux données de RB.
   • Il a capturé avec précision la dynamique dépendante de l'état dans les séquences de découplement dynamique (DD) multi-qubits, incluant les oscillations induites par les TLS et la diaphonie.
   • Application VQE : Lorsqu'il a été utilisé comme proxy d'entraînement pour un algorithme de l'état fondamental de la molécule d'hydrogène ($H_2$) via un VQE, le modèle a atteint une erreur relative de 0,5 % par rapport au matériel. Cela représente une amélioration de 7$\times$ par rapport aux modèles de bruit par défaut des dispositifs IBM, qui présentaient une erreur de 3,6 %.
4. Aperçus Non-Markoviens : L'étude a confirmé que négliger les corrélations non-markoviennes (spécifiquement dans le déphasage et le bruit de contrôle) conduit à des erreurs de prédiction significatives dans les algorithmes complexes, tandis que le modèle parcimonieux proposé capture efficacement ces effets.

Signification et Revendications
L'article affirme démontrer une approche viable pour équilibrer la parcimonie du modèle et le pouvoir prédictif dans les systèmes de qubits supraconducteurs. En modélisant explicitement les effets non-markoviens à travers des degrés de liberté étendus (TLS, spectateurs) et le bruit stochastique, les auteurs montrent que des modèles de bruit réduits peuvent prédire avec précision la dynamique du matériel pour les opérations à un et plusieurs qubits.

Les auteurs soulignent que leur travail met en évidence les sources d'erreurs clés dans les transmons de génération actuelle et illustre l'utilité des modèles de bruit réduits pour :

• L'entraînement d'algorithmes quantiques variationnels sur des proxys matériels.
• La conception de protocoles de protection d'erreurs ciblés.
• Le passage à l'échelle de la caractérisation du bruit vers des systèmes plus larges via des approximations de canaux composites.

L'étude conclut que, bien que le modèle spécifique cible les transmons à fréquence fixe, les processus sous-jacents et la méthodologie de modélisation prédictive parcimonieuse sont généralisables à d'autres architectures quantiques. Les auteurs notent qu'un examen plus approfondi est nécessaire pour déterminer si le pouvoir prédictif du modèle se maintient lorsque la taille du système augmente significativement au-delà des tests démontrés sur deux qubits et les algorithmes à petite échelle.