Characterizing Physical Error Contributions of Quantum Gates

La ricerca per costruire un computer quantistico utile è una corsa contro l'invisibile. Al cuore di queste macchine ci sono i bit quantistici, o qubit, che mantengono l'informazione in uno stato fragile di sovrapposizione, permettendo loro di eseguire calcoli che richiederebbero ai supercomputer classici millenni per essere risolti. Tuttavia, questa potenza comporta una grave debolezza: la minima perturbazione dell'ambiente — un campo magnetico erratico, una fluttuazione della temperatura o una minuscola imperfezione nell'elettronica di controllo — può causare la perdita di informazione del qubit. Questa perdita, nota come rumore, è il principale ostacolo che impedisce ai computer quantistici di raggiungere il loro pieno potenziale. Per risolvere il problema, gli scienziati devono prima capire esattamente da dove provengono gli errori. Non basta sapere che un calcolo è fallito; gli ingegneri devono sapere se il fallimento è stato causato dalla perdita di energia del qubit, da un segnale di controllo leggermente troppo lungo o da un rumore lento e erratico che si accumula nel tempo. Senza una mappa precisa di queste fonti di errore, migliorare l'hardware è come cercare di riparare un motore complesso bendati.

Un team di ricercatori presso IQM Quantum Computers e la Ludwig-Maximilians-Universität München ha sviluppato un nuovo modo per creare questa mappa, un metodo che non solo identifica gli errori, ma dice anche agli scienziati quanto possono fidarsi dell'identificazione stessa. In uno studio focalizzato su un tipo specifico di processore quantistico superconduttore, i ricercatori hanno applicato il loro metodo per misurare le prestazioni sia dei gate a singolo qubit che dei gate a due qubit, le operazioni fondamentali che manipolano l'informazione quantistica. Hanno scoperto che, mentre potevano individuare le fonti di errore per le operazioni a singolo qubit con un'alta confidenza, lo stesso livello di certezza non era possibile per i gate a due qubit, più complessi. Fondamentalmente, il loro metodo non nascondeva questa incertezza; al contrario, la segnalava come un segnale di avvertimento che la loro attuale comprensione della fisica era incompleta. Questo approccio segna un passaggio dal semplice indovinare da dove provengano gli errori a un processo rigoroso e basato sui dati che ammette quando il modello manca di un pezzo del puzzle.

Per comprendere la sfida, bisogna osservare come vengono testati attualmente i computer quantistici. Tradizionalmente, gli scienziati eseguono una serie di esperimenti per misurare per quanto tempo un qubit può mantenere il proprio stato o quanto accuratamente esegue una rotazione. Successivamente, inseriscono questi numeri in un modello matematico per stimare quanto ogni fattore contribuisca all'errore totale. Questo processo assume che il modello sia perfetto e che gli errori siano indipendenti l'uno dall'altro. Tuttavia, nel mondo reale dei circuiti superconduttori, gli errori sono spesso collegati, complessi e cambiano nel tempo. Un modello che assume che tutto sia semplice e indipendente potrebbe produrre un numero apparentemente preciso, ma quel numero potrebbe essere completamente sbagliato se le assunzioni sottostanti sono difettose. I ricercatori si sono resi conto che fare affidamento su questi modelli statici era rischioso, specialmente man mano che i processori quantistici diventano più grandi e complessi. Avevano bisogno di un modo per imparare direttamente dai dati mantenendo al contempo un controllo costante sulla validità delle loro assunzioni.

La soluzione proposta è un framework basato sull'apprendimento che funge da ponte tra il mondo fisico e il modello informatico. Invece di cercare di risolvere le complesse equazioni per ogni nuovo esperimento, il team ha prima costruito una simulazione altamente dettagliata del proprio processore quantistico. Questa simulazione includeva ogni fonte di errore nota, dal decadimento naturale dell'energia nei qubit alle sottili e lente fluttuazioni dei campi magnetici che variano nel tempo. Hanno eseguito migliaia di esperimenti virtuali all'interno di questa simulazione, registrando i risultati e i contributi specifici di errore per ogni scenario. Utilizzando questo enorme dataset, hanno addestrato uno strumento di machine learning chiamato Regressione dei Processi Gaussiani. Questo strumento ha imparato a riconoscere i pattern, memorizzando efficacemente la relazione tra i dati sperimentali grezzi e gli errori fisici specifici che li avevano causati. Una volta addestrato, questo strumento poteva prendere un nuovo set di misurazioni del mondo reale e prevedere istantaneamente il budget di errore, ovvero la ripartizione di dove derivano gli errori.

Ciò che rende questo metodo particolarmente potente è la sua capacità di misurare la propria confidenza. Lo strumento di machine learning non fornisce solo una singola risposta; fornisce un intervallo di incertezza. Se i dati del mondo reale sono molto simili ai dati visti dallo strumento durante l'addestramento, l'incertezza è bassa e la previsione è affidabile. Ma se i dati reali si comportano in un modo che la simulazione non ha mai visto, l'incertezza dello strumento aumenta bruscamente. Questo picco non è un fallimento del metodo; è una caratteristica. Funge da segnale diagnostico, dicendo ai ricercatori che il loro modello fisico sta mancando di qualcosa di importante. È la differenza tra una previsione meteorologica che predice con sicurezza il sole quando in realtà si sta preparando una tempesta, e una previsione che dice: "Non sono sicuro, perché le condizioni sono diverse da tutto ciò che ho visto finora".

Il team ha testato questo framework su una coppia di qubit in un array transmon, un'architettura comune per i computer quantistici superconduttori. Si sono concentrati su due tipi di operazioni: il gate a singolo qubit, che inverte lo stato di un singolo qubit, e il gate a due qubit, che intreccia insieme due qubit. Per i gate a singolo qubit, i risultati sono stati rassicuranti. Il framework ha ricostruito con successo il budget di errore, identificando che gli errori dominanti derivavano dalla perdita di energia dei qubit e da lievi imperfezioni nei impulsi di controllo. L'incertezza era bassa, il che significa che il team poteva essere fiducioso che il loro modello descrivesse accuratamente la fisica di queste operazioni. Potevano vedere esattamente quanto ogni fattore contribuisse all'errore totale, fornendo un obiettivo chiaro per i futuri miglioramenti.

La storia cambia quando hanno rivolto l'attenzione ai gate a due qubit. Queste operazioni sono significativamente più complesse e coinvolgono un terzo componente chiamato accoppiatore (coupler) che collega i due qubit. Quando i ricercatori hanno applicato il loro framework ai dati del gate a due qubit, le stime di incertezza erano elevate. Lo strumento ha segnalato che anche il loro modello altamente dettagliato, basato sui primi principi e che includeva rumore non Markoviano complesso e distorsioni degli impulsi, non catturava pienamente la dinamica del sistema. Gli errori del mondo reale si comportavano in modi che la simulazione non prevedeva. Questa è stata una scoperta critica. Un metodo tradizionale avrebbe forzato i dati all'interno del modello, producendo un budget di errore preciso ma fuorviante che nascondeva la vera complessità del problema. Invece, questo nuovo framework ha ammesso il divario, fornendo prove quantitative che l'attuale comprensione degli errori dei gate a due qubit è incompleta.

I ricercatori hanno identificato che gli errori dominanti nel gate a due qubit erano probabilmente legati alle imperfezioni degli impulsi di controllo e al modo specifico in cui l'accoppiatore interagisce con i qubit, ma l'alta incertezza suggeriva che fossero in gioco altri fattori non modellati. Questi potrebbero includere sottili distorsioni nei segnali elettrici o interazioni con l'ambiente a frequenze che non avevano ancora sondato. Lo studio evidenzia che, sebbene l'hardware attuale sia impressionante, la strada verso il calcolo quantistico su larga scala richiede non solo un hardware migliore, ma anche modi migliori per comprenderlo. La capacità di distinguere tra ciò che è noto e ciò che è ignoto è importante quanto le misurazioni stesse.

Questo lavoro rappresenta un passo avanti significativo nella caratterizzazione dell'hardware quantistico. Trattando il budgeting dell'errore come un problema di apprendimento piuttosto che come un semplice calcolo, i ricercatori hanno creato uno strumento che è allo stesso tempo potente ed onesto. Permette agli scienziati di estrarre approfondimenti dettagliati da esperimenti complessi, avvertendoli simultaneamente quando i loro modelli sono insufficienti. Man mano che i processori quantistici continuano a scalare, con più qubit e interazioni più complesse, la capacità di rilevare questi vuoti nella comprensione sarà essenziale. Il framework non dice solo agli ingegneri cosa non va; dice loro dove finisce la loro conoscenza, guidandoli verso i prossimi esperimenti necessari per colmare le parti mancanti. Nella corsa per costruire un computer quantistico affidabile, sapere cosa non si sa è il primo passo per risolvere il problema.