High-fidelity quantum gate learning via physics-informed neural networks

Dans la quête de la construction d'un ordinateur quantique pratique, les scientifiques sont confrontés à un obstacle fondamental : la nécessité d'effectuer des opérations avec une précision extrême. Ces machines reposent sur de minuscules unités d'information appelées qubits, qui peuvent exister dans plusieurs états à la fois, une propriété qui leur permet de résoudre certains problèmes bien plus rapidement que les ordinateurs classiques. Cependant, pour rendre ces qubits utiles, les chercheurs doivent les manipuler avec un timing et une force parfaits afin de créer des portes logiques, les blocs de construction de base de tout calcul. Le défi réside dans la conception des signaux de contrôle — essentiellement des ondes radio ou des impulsions laser — qui dirigent ces qubits. Ces signaux doivent être fluides et soigneusement façonnés pour éviter les erreurs, tout en respectant les lois physiques strictes qui régissent le mouvement et l'interaction des particules quantiques. Si le contrôle est trop brusque ou imprécis, l'état quantique délicat s'effondre et le calcul échoue. Pendant des années, la recherche de ces signaux de contrôle parfaits a nécessité des calculs informatiques lourds et répétitifs, lents et difficiles à adapter pour des machines complexes.

Une équipe de chercheurs a maintenant proposé une nouvelle façon de résoudre ce problème en utilisant un type d'intelligence artificielle connue sous le nom de réseau de neurones informé par la physique. Au lieu de traiter l'ordinateur comme une boîte noire qui se contente de deviner le meilleur signal, cette approche enseigne à l'ordinateur les lois physiques réelles qui régissent les qubits. Les chercheurs ont entraîné leur système pour trouver les impulsions de contrôle parfaites pour deux tâches spécifiques : une opération à qubit unique appelée porte de Hadamard, qui crée une superposition d'états, et une opération à deux qubits appelée porte NON contrôlée (CNOT), qui lie deux qubits ensemble pour créer l'intrication. En intégrant l'équation de Schrödinger dépendante du temps — la règle centrale décrivant l'évolution des systèmes quantiques — directement dans le processus d'entraînement, le réseau a appris à générer des champs de contrôle lisses et continus qui satisfont à la fois le résultat souhaité et les contraintes physiques du système.

Les résultats de cette simulation sont remarquablement précis. Pour la porte de Hadamard à qubit unique, le système a produit une impulsion de contrôle ayant atteint un taux d'erreur moyen d'environ 8,49 fois 10 à la puissance moins 8. Cela signifie que la porte fonctionne correctement plus de 99,99999 % du temps. Pour la porte NON contrôlée à deux qubits, plus complexe, la performance variait légèrement selon la manière dont les deux qubits étaient connectés, mais les taux d'erreur restaient incroyablement bas, allant d'environ 3,39 fois 10 à la puissance moins 7 à 4,96 fois 10 à la puissance moins 6. Ces chiffres indiquent que les impulsions de contrôle apprises sont hautement efficaces pour diriger le système quantique vers l'état exact requis pour un calcul réussi.

Au-delà de la simple recherche des impulsions, les chercheurs ont étudié comment ces signaux se comportent sous différentes conditions. Ils ont testé les contrôles appris face à divers types d'interactions entre qubits, y compris celles qui agissent selon différentes directions spatiales. Ils ont découvert que la forme spécifique de l'impulsion de contrôle dépendait fortement du type de connexion entre les qubits. Par exemple, lorsqu'un certain type d'interaction se produisait, le système nécessitait des signaux de contrôle forts sur un qubit mais très faibles sur l'autre. Dans une autre configuration, il fallait un mélange équilibré de signaux sur les deux. Cela suggère qu'il n'existe pas de modèle de contrôle unique « universel » ; le signal optimal doit être adapté au matériel physique spécifique utilisé.

L'équipe a également examiné comment ces impulsions parfaites résisteraient dans un environnement réel où le bruit et la perte d'énergie sont inévitables. Ils ont simulé l'effet de la déphasage, où l'état quantique perd sa cohérence, et de l'amortissement d'amplitude, où le qubit perd de l'énergie vers son environnement. Même sans réentraîner le réseau pour ces conditions bruyantes, les impulsions déjà apprises montraient une chute prévisible et linéaire de la performance à mesure que le bruit augmentait. Ce comportement correspondait aux attentes théoriques, confirmant que la méthode produit des contrôles robustes qui se dégradent de manière progressive plutôt que de faillir de façon catastrophique face aux interférences environnementales.

Enfin, les chercheurs ont abordé une préoccupation pratique pour les ingénieurs qui construiront éventuellement ces machines : comment stocker et transmettre ces signaux de contrôle complexes. Le réseau de neurones produit des courbes lisses et continues qui sont difficiles à stocker sous un format simple. Pour résoudre cela, l'équipe a converti ces formes d'ondes complexes en une représentation mathématique compacte en utilisant un type spécifique d'expansion polynomiale. Ils ont constaté que seulement 24 nombres suffisaient pour décrire chaque impulsion de contrôle avec une telle précision que la différence entre la courbe originale et la version simplifiée était négligeable. Ce format compact facilite grandement le transfert des solutions apprises vers le matériel quantique réel, comblant ainsi le fossé entre la conception théorique et la mise en œuvre physique.

L'étude démontre que l'intégration des lois physiques directement dans l'apprentissage automatique offre une voie puissante pour le contrôle quantique. En s'entraînant sur un ensemble diversifié de conditions initiales et en validant les résultats par des tests indépendants, les chercheurs ont montré que leur méthode peut générer des portes de haute fidélité sans nécessiter un réglage manuel de chaque paramètre. Bien que ces conclusions proviennent de simulations informatiques, elles fournissent un plan clair pour la programmation des futurs ordinateurs quantiques. La capacité de générer des impulsions de contrôle lisses, robustes et compactes suggère que la tâche difficile de concevoir le « logiciel » des machines quantiques devient plus gérable, ouvrant la voie à des technologies quantiques plus fiables et évolutives.