Quantum control of solid state qubits via Reinforcement Learning
Cet article présente une analyse basée sur la simulation démontrant que l'apprentissage par renforcement sans modèle optimise efficacement le contrôle au niveau de l'impulsion pour la préparation d'états et la conception de portes dans les spins nucléaires NV au sein d'un environnement de bain de spins complexe et bruyant, surpassant ou égalant d'autres outils d'optimisation boîte noire de pointe dans des conditions difficiles de récompenses éparses et d'observabilité minimale.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Dans la course à la construction d'ordinateurs quantiques utiles, les scientifiques font face à un ennemi persistant : le bruit. Contrairement aux ordinateurs classiques, qui reposent sur des courants électriques stables, les machines quantiques utilisent des états quantiques fragiles qui sont facilement perturbés par leur environnement. Même la plus légère interaction avec l'environnement peut brouiller l'information qu'un ordinateur quantique tente de traiter. Pour faire fonctionner ces machines, les chercheurs doivent apprendre à diriger ces états délicats avec une précision extrême, une tâche connue sous le nom de contrôle quantique. Le défi est particulièrement aigu dans les dispositifs à l'état solide, où les bits quantiques, ou qubits, sont intégrés dans un environnement bruyant composé d'autres atomes et spins qui agissent comme une foule chaotique, bousculant constamment les qubits et provoquant des erreurs. Pour que ces dispositifs deviennent des outils fiables pour la détection ou l'informatique, les scientifiques doivent trouver un moyen de concevoir des impulsions de contrôle capables de naviguer à travers ce bruit et d'atteindre un état cible souhaité avec une grande précision.
Une équipe de chercheurs de l'Université d'Ulm et du Centre de l'aérospatiale allemande a abordé ce problème en apprenant à un programme informatique comment contrôler un type spécifique de système quantique : un centre azote-lacune dans un diamant. Ce système se compose d'un spin électronique central qui sert de poignée, que les scientifiques peuvent manipuler avec des impulsions micro-ondes, et de spins nucléaires proches qui servent de mémoire réelle ou de qubits. La difficulté réside dans le fait que les spins nucléaires ne sont pas isolés ; ils sont entourés d'un « bain de spins », une collection d'autres spins nucléaires dans le diamant qui créent un environnement magnétique complexe et fluctuant. Traditionnellement, la conception de pulses de contrôle pour un tel système nécessite un modèle mathématique parfait de l'environnement, ce qui est souvent impossible à connaître à l'avance. Au lieu de cela, les chercheurs ont utilisé une méthode appelée apprentissage par renforcement, un type d'intelligence artificielle où un agent apprend par essais et erreurs. Dans cette configuration, l'agent agit comme un contrôleur qui envoie des impulsions micro-ondes au spin électronique, espérant influencer indirectement les spins nucléaires pour accomplir une tâche spécifique, telle que la création d'une porte quantique ou la préparation d'un état intriqué. L'agent ne voit pas l'état quantique complet du système ; il reçoit seulement un signal de récompense simple à la fin de chaque tentative, lui indiquant sa performance.
Les chercheurs ont simulé ce processus d'apprentissage dans un environnement hautement réaliste qui incluait les interactions complexes du bain de spins, en utilisant une technique sophistiquée pour modéliser la façon dont le bruit affecte le système au fil du temps. Ils ont entraîné l'agent à trouver la meilleure séquence de durées et de phases d'impulsions pour atteindre deux objectifs : inverser un seul spin nucléaire pour créer une porte logique, et intriquer deux spins nucléaires pour créer un état quantique partagé. Les résultats ont montré que l'agent pouvait apprendre avec succès à contrôler le système même lorsqu'il était entouré de bruit, à condition d'être entraîné dans un environnement simulé tenant compte de ce bruit. Crucialement, l'agent a découvert des stratégies différentes de celles trouvées par d'autres méthodes d'optimisation standard. Par exemple, pour contrer le bruit, l'agent a appris à utiliser des champs magnétiques externes plus forts et des séquences d'impulsions plus courtes, rigidifiant ainsi le système contre les bousculades chaotiques des spins environnants. Cette approche a permis à l'agent de trouver des solutions qui restaient robustes même lorsque les conditions physiques, telles que la force des impulsions micro-ondes ou la position exacte des atomes, variaient légèrement.
Pour s'assurer que ces découvertes puissent éventuellement être utilisées sur du matériel réel, les chercheurs ont testé la capacité de l'agent à s'adapter à l'incertitude. Ils ont employé une technique appelée randomisation de domaine, où l'agent est entraîné dans un monde simulé où les paramètres physiques clés changent constamment. Cela a forcé l'agent à apprendre une stratégie flexible plutôt que de mémoriser une solution parfaite unique. Lorsque les chercheurs ont ensuite testé ces agents entraînés dans de nouveaux environnements légèrement différents, les agents ont été capables de maintenir une performance élevée. De plus, ils ont démontré que l'agent pouvait être « affiné » sur un système semblable au monde réel en utilisant uniquement des mesures simples, à tirage unique, qui sont le genre de données réellement disponibles en laboratoire. Cela signifie que l'agent peut partir d'une stratégie générale apprise en simulation, puis s'ajuster rapidement aux particularités d'un dispositif physique sans avoir besoin d'un modèle complet et parfait du bruit.
L'étude a également comparé cette approche d'apprentissage à d'autres outils mathématiques puissants utilisés pour l'optimisation, tels que l'optimisation bayésienne et les stratégies évolutives. Bien que ces méthodes traditionnelles puissent trouver de bonnes solutions dans des contextes idéalisés, elles ont eu beaucoup de mal face à la réalité complexe et bruyante du bain de spins. L'agent d'apprentissage par renforcement, en revanche, a systématiquement trouvé des solutions de plus haute fidélité, plus robustes aux imperfections du système physique. Dans un test spécifique impliquant la création d'un état intriqué entre deux spins nucléaires, l'agent a atteint des fidélités supérieures à 90 pour cent, alors que les autres méthodes étaient loin du compte. Les chercheurs ont constaté que pour ces tâches plus longues et plus complexes, l'agent devait tenir compte d'interactions d'ordre supérieur au sein du bain de bruit, un niveau de détail que les modèles plus simples omettent souvent. En naviguant avec succès dans ce paysage complexe, l'agent a prouvé qu'il pouvait découvrir des protocoles de contrôle novateurs que les séquences conçues par l'humain ou d'autres algorithmes pourraient négliger.
En fin de compte, ce travail fournit un modèle pour contrôler les véritables dispositifs quantiques dans l'ère du bruit de la technologie actuelle. Il montre qu'en combinant des simulations réalistes avec des algorithmes d'apprentissage capables de gérer des informations éparses et imparfaites, les scientifiques peuvent développer des stratégies de contrôle qui sont à la fois performantes et adaptables. La capacité d'entraîner un agent dans une simulation bruyante, puis de l'affiner sur un dispositif réel à l'aide de mesures simples, suggère une voie pratique pour construire des capteurs et des ordinateurs quantiques fiables. Les chercheurs soulignent que, bien que ces résultats soient actuellement basés sur des simulations, les méthodes utilisées sont conçues pour fonctionner avec les données limitées disponibles dans les expériences réelles. Cette approche offre une voie prometteuse pour dompter le bruit inhérent aux systèmes quantiques à l'état solide, transformant un obstacle majeur en un facteur gérable dans la conception des futures technologies quantiques.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.