Active Learning for Calibrating Entangling Gates via Surrogate-Based Optimization

Résumé Technique : Apprentissage Actif pour le Calibrage de Portes Intriquées via l'Optimisation Basée sur un Modèle Substitut

Énoncé du Problème
Les opérations de portes quantiques de haute fidélité sont essentielles pour l'avantage quantique à court terme et la correction d'erreurs tolérante aux fautes. Cependant, l'obtention d'une haute fidélité nécessite un calibrage précis des paramètres de contrôle classiques définissant le hamiltonien du système. Bien que des modèles théoriques existent, le hamiltonien réellement implémenté sur le matériel dévie souvent de l'idéal en raison de fonctions de transfert potentiellement non linéaires et inconnues dans l'infrastructure de contrôle classique. Les méthodes de calibrage traditionnelles, telles que les balayages de paramètres séquentiels ou l'optimisation reposant sur des modèles directs précis (par exemple, le calibrage bayésien avec des modèles théoriques exacts), font face à des limitations significatives. Celles-ci incluent une faible scalabilité avec la taille du système, des coûts de calcul élevés pour les simulations classiques, et l'incapacité à gérer la dérive matérielle sans recalibrage périodique. De plus, les systèmes quantiques opèrent dans un régime bruité et à faibles données, rendant les approches gourmandes en données comme les réseaux de neurones peu pratiques. Le défi central est d'identifier efficacement les paramètres de contrôle optimaux, tout en tolérant le bruit de mesure et en opérant sans un modèle physique exact du système expérimental.

Méthodologie
Les auteurs proposent un cadre d'apprentissage actif basé sur l'Optimisation Bayésienne (BO) utilisant un Processus Gaussien (GP) comme modèle substitut. Cette approche est conçue pour naviguer dans le paysage de calibrage en utilisant un nombre limité de mesures bruitées.

• Modélisation par Substitut : Le cadre emploie un GP pour modéliser le paysage de calibrage inconnu $f(x)$, où $x$ représente le vecteur des paramètres de contrôle (fréquence de Rabi $\Omega$, désaccord de bande latérale $\delta$, et désaccord de la ligne centrale $\omega_{cl}$). Contrairement aux GP standards, cette implémentation utilise un modèle de bruit hétéroscédastique. Le bruit de mesure $\epsilon_i$ est modélisé comme un processus gaussien de moyenne nulle dont la variance dépend des réglages de contrôle et du nombre de tirages de mesure $N$, reflétant la physique du bruit de projection quantique.
• Boucle d'Optimisation Bayésienne : Le processus d'optimisation itère à travers trois étapes :
  1. Mise à jour du Substitut : Le postérieur du GP est mis à jour avec de nouvelles données expérimentales (paramètres de contrôle et scores mesurés), en optimisant les hyperparamètres (échelles de longueur, variance du signal, mise à l'échelle du bruit) via le maximum de vraisemblance de type II.
  2. Acquisition d'Apprentissage Actif : Une fonction d'acquisition, spécifiquement l'Upper Confidence Bound (UCB), sélectionne la prochaine configuration expérimentale. Cette fonction équilibre l'exploitation (échantillonnage des régions avec une fidélité prédite élevée) et l'exploration (échantillonnage des régions avec une incertitude élevée) pour localiser efficacement l'optimum global.
  3. Évaluation Physique : Les paramètres sélectionnés sont appliqués au système quantique (simulé dans ce travail), et le score de fidélité de la porte résultante est mesuré.
• Environnement de Simulation : La méthode est validée à l'aide d'une simulation d'une porte de Mølmer-Sørensen (MS) à ions piégés. La simulation utilise IonSim.jl pour modéliser deux ions $^{40}\text{Ca}^+$, incorporant l'excitation de porteur hors résonance et les effets d'impulsion carrée tout en négligeant la décohérence pour isoler l'impact du bruit de projection quantique. La séquence de calibrage consiste à initialiser les qubits en $|gg\rangle$, appliquer deux portes MS, et mesurer la probabilité de l'état $|ee\rangle$ ($P_{ee}$) comme score.

Contributions Clés

• Calibrage Sans Modèle : L'article démontre un protocole de calibrage qui ne nécessite pas de modèle direct validé du système quantique, s'appuyant plutôt sur un substitut GP piloté par les données.
• Gestion du Bruit Hétéroscédastique : Les auteurs intègrent un modèle de bruit où la variance d'observation dépend des paramètres de contrôle et des tirages de mesure, reconnaissant que le bruit de projection quantique varie à travers le paysage.
• Efficacité de l'Apprentissage Actif : Le cadre utilise l'apprentissage actif pour accélérer la découverte des paramètres optimaux, montissant que le GP peut efficacement "débruiter" le système en imposant une lissage spatial, même lorsqu'il est entraîné sur des données bruitées.
• Quantification des Limites : L'étude caractérise explicitement les limites de saturation de la fidélité imposées par le bruit de projection quantique à tirages finis, distinguant la convergence algorithmique des limites de mesure physiques.

Résultats
Les auteurs ont validé l'approche via des simulations numériques de la porte MS à ions piégés :

• Précision du Substitut : Le substitut GP a réussi à modéliser le paysage de contrôle. L'augmentation du nombre de points d'entraînement ($m$) et des tirages de mesure ($N$) a amélioré la précision. Notamment, pour un grand $m$, la moyenne du GP a pu filtrer le bruit de projection non corrélé, atteignant des erreurs quadratiques moyennes (RMSE) inférieures au niveau de bruit moyen des données.
• Convergence de l'Optimisation :
  • Plage de Paramètres : Réduire la plage d'incertitude initiale des paramètres (par exemple, de $\pm 10$ kHz à $\pm 1$ kHz) a considérablement diminué le temps de convergence et réduit la variance dans le chemin d'optimisation. Cependant, l'optimiseur est resté assez robuste pour trouver l'optimum global même dans des domaines de recherche à pleine échelle ($r=1.0$).
  • Budget de Tirages : La fidélité de l'optimisation a saturé en fonction du nombre de tirages par évaluation ($N$). La saturation a suivi la mise à l'échelle attendue de $1 - Q \approx Q_\infty + \gamma N^{-1/2}$. Même avec un faible budget de $N=100$ tirages, l'optimiseur a atteint de manière fiable un plancher de fidélité de $\sim 10^{-3}$, bien que des itérations supplémentaires n'aient pas pu améliorer la fidélité en dessous de la limite de tirages finis.
  • Précision des Paramètres : Les paramètres de fréquence ($\omega_{cl}$ et $\delta$) ont convergé à l'intérieur de quelques dizaines de Hz des valeurs idéales, tandis que la fréquence de Rabi ($\Omega$) a convergé vers le ratio idéal avec une variance minimale.
• Visualisation : Il a été montré que le processus d'apprentissage actif échantillonne intelligemment le paysage, concentrant les mesures autour de la région optimale et resserrant l'incertitude autour des pics de fréquence, tandis que le paysage d'amplitude est resté plus large en raison d'une sensibilité moindre dans la séquence de calibrage choisie.

Signification et Revendications
L'article établit l'utilité de l'apprentissage actif et des modèles substituts pour le calibrage et le contrôle quantiques. Les auteurs affirment que leur approche sans modèle offre une "voie légère vers la maintenance automatisée des portes", capable de gérer la dérive de calibrage et d'opérer sans modèles physiques détaillés. Les résultats suggèrent que l'Optimisation Bayésienne par Processus Gaussien est un outil pratique pour les tâches de contrôle quantique coûteuses et bruitées. Le travail souligne que, bien qu'un calibrage efficace en ressources soit possible, la fidélité ultime est bornée par le bruit de projection quantique inhérent au processus de mesure. Les auteurs positionnent cette méthode comme une étape fondamentale vers la caractérisation, le calibrage et le contrôle de systèmes quantiques à grande échelle, notant que les travaux futurs devront aborder les non-idéalités du monde réel et les approches multi-fidélité combinant les simulations classiques avec les mesures quantiques.