Empirical learning of dynamical decoupling on quantum processors

Questo lavoro dimostra come un algoritmo genetico possa apprendere empiricamente strategie di disaccoppiamento dinamico su processori quantistici IBM, migliorando significativamente la soppressione degli errori rispetto alle sequenze canoniche e garantendo prestazioni stabili e generalizzabili su circuiti di grandi dimensioni.

L'essenziale

Immagina di avere un orchestra di 100 musicisti (i qubit) che devono suonare una sinfonia perfetta insieme. Il problema è che l'orchestra suona in una stanza molto rumorosa: c'è il traffico fuori, le persone che chiacchierano, il ronzio dei condizionatori. Questo rumore fa sì che i musicisti si distraggano, suonino stonati o smettano di suonare in sincronia. Il risultato è una musica terribile.

In informatica quantistica, questo "rumore" è il nemico numero uno. Se i qubit (i musicisti) non riescono a mantenere la loro nota, il calcolo fallisce.

Il vecchio metodo: La "Canzone di Sottomissione"

Per anni, gli scienziati hanno provato a risolvere questo problema usando una tecnica chiamata Dinamica di Disaccoppiamento (DD).
Immagina che, invece di far tacere il rumore, chiediamo ai musicisti di fare un movimento specifico e ripetitivo ogni volta che c'è un attimo di silenzio tra le note.

• Esempio: "Quando il rumore arriva, tutti alzano la bacchetta, poi la abbassano, poi la ruotano".
• Il problema: Gli scienziati avevano scritto delle "canzoni" standard (sequenze di impulsi) che funzionavano bene per un solo musicista o per piccoli gruppi. Ma quando provavano a farle suonare a un'orchestra di 100 persone in una stanza caotica, la cosa non funzionava più. Le sequenze standard non riuscivano a coprire il rumore specifico di quella stanza particolare. Era come cercare di usare lo stesso copione per un'opera a Milano e per un concerto rock a New York: non funziona.

La nuova soluzione: L'Orchestra che "Impara" da sola

Questo articolo presenta un approccio rivoluzionario: invece di inventare una sequenza perfetta sulla carta, lasciamo che l'orchestra impari da sola quale movimento funziona meglio per quella specifica stanza e quella specifica orchestra.

Gli autori hanno creato un algoritmo chiamato GADD (che sta per "Genetic Algorithm-inspired search to optimize DD"). Ecco come funziona, usando un'analogia con l'evoluzione:

1. La Popolazione Iniziale: Immagina di avere 16 gruppi di musicisti. Ogni gruppo prova una sequenza di movimenti casuale e diversa (alcuni alzano la bacchetta, altri la girano, altri la lasciano ferma).
2. La Prova (Esperimento): Fanno suonare un piccolo pezzo di musica sul computer quantistico reale (l'orchestra vera).
3. Il Giudizio: Si guarda chi ha suonato meglio. Chi ha mantenuto la nota più a lungo vince.
4. L'Accoppiamento (Evoluzione): Prendiamo i due gruppi che hanno suonato meglio e li "incrociamo". Prendiamo la prima metà della sequenza di movimenti del gruppo A e la uniamo alla seconda metà del gruppo B. Nasce un "figlio" con una nuova sequenza mista.
5. La Mutazione: A volte, cambiamo un movimento a caso nel nuovo gruppo (magari un musicista sbaglia e invece di alzare la bacchetta la abbassa). Questo introduce novità.
6. Ripetizione: Si ripete questo ciclo per 20 volte. Dopo pochi tentativi, l'algoritmo "impara" esattamente quali movimenti funzionano meglio per quel computer specifico, in quel momento specifico.

I Risultati: Superare i Record

Gli scienziati hanno testato questo metodo su tre sfide diverse, come se fossero tre tipi di concerti diversi:

• Il Test di Velocità (Algoritmo di Bernstein-Vazirani): Hanno chiesto al computer di risolvere un indovinello logico. Con le vecchie sequenze standard, il computer sbagliava quasi sempre quando il problema diventava grande. Con il metodo GADD, il computer ha risolto l'indovinello correttamente molto più spesso, anche quando il problema era complesso.
• Il Concerto di Stato (Stato GHZ): Hanno provato a creare uno stato quantistico molto delicato in cui 50 qubit sono tutti collegati tra loro (come 50 musicisti che devono respirare all'unisono). Le vecchie tecniche fallivano. Con GADD, sono riusciti a mantenere l'armonia molto più a lungo.
• Il Test di Scalabilità (Mirror Randomized Benchmarking): Questa è la parte più impressionante. Hanno provato a testare la qualità del computer su 100 qubit. Con le vecchie tecniche, il rumore era così forte che non si poteva nemmeno misurare la qualità (era come cercare di ascoltare un sussurro in mezzo a un uragano). Con GADD, sono riusciti a "silenziare" abbastanza rumore da poter fare il test su 100 qubit. È come se avessero trovato il modo di far suonare un'orchestra di 100 persone in un aeroporto affollato senza che nessuno sentisse il rumore degli aerei.

Perché è importante?

Il punto chiave di questo lavoro è la flessibilità.

• Non serve un genio umano: Non serve che un fisico teorico passi mesi a calcolare la sequenza perfetta. L'algoritmo lo fa in pochi minuti.
• Funziona ovunque: Una volta che l'algoritmo ha imparato la sequenza migliore per un computer, quella sequenza funziona bene anche per giorni o settimane, e funziona anche se provi a usarla su un computer simile (anche se non identico).
• Adattabilità: Se il computer cambia (ad esempio, se un qubit si rompe o il rumore cambia), l'algoritmo può ri-adattarsi rapidamente.

In sintesi

Prima, cercavamo di risolvere il problema del rumore quantistico con ricette fisse e rigide. Questo articolo ci dice: "Non serve la ricetta perfetta scritta su un libro. Serve un cuoco intelligente (l'algoritmo genetico) che assaggia la zuppa, ci mette un po' di sale, assaggia di nuovo, e impara da solo qual è la ricetta perfetta per quella pentola specifica".

Grazie a questo metodo, i computer quantistici oggi possono essere più grandi, più complessi e più affidabili, aprendo la strada a calcoli che prima sembravano impossibili.

Sommario tecnico

Titolo: Apprendimento empirico del disaccoppiamento dinamico su processori quantistici

Autori: Christopher Tong, Helena Zhang, Bibek Pokharel (MIT e IBM Quantum)

---

1. Il Problema

Il Disaccoppiamento Dinamico (DD) è una tecnica a basso costo computazionale per la soppressione degli errori nei computer quantistici, che prevede l'applicazione di sequenze di impulsi durante i periodi di inattività dei qubit. Sebbene esistano molte sequenze DD teoriche (come CPMG, XY4, URDD), la loro applicazione pratica su hardware quantistico rumoroso e su larga scala presenta sfide significative:

• Limiti delle sequenze canoniche: Le sequenze teoriche sono spesso ottimizzate per errori su singolo qubit e non tengono conto adeguatamente del crosstalk (interferenze tra qubit) che diventa dominante nei circuiti multi-qubit.
• Complessità di progettazione: Trovare sequenze ottimali che cancellino i termini di crosstalk sovrapposti in circuiti complessi è un problema non banale, specialmente data la difficoltà di modellare le caratteristiche del rumore di un dispositivo specifico in relazione alla struttura del circuito.
• Scalabilità: Le strategie esistenti non scalano bene con l'aumento della dimensione del circuito e della profondità, portando a un rapido decadimento della fedeltà.

2. Metodologia: GADD (Genetic Algorithm-inspired search to optimize DD)

Gli autori propongono un framework di apprendimento empirico basato su un algoritmo genetico per ottimizzare le strategie DD per qualsiasi dispositivo e circuito quantistico.

• Spazio di ricerca: Lo spazio delle strategie è definito da $C$ sequenze di impulsi di lunghezza $L$, estratte da un gruppo di disaccoppiamento $G$ (es. $\{I, X, Y, Z\}$ e le loro varianti con rotazione opposta), applicate a diversi qubit colorati (partizionati per minimizzare il crosstalk).
• Algoritmo Genetico:
  1. Popolazione Iniziale: Viene generata una popolazione di $K$ strategie DD casuali ma uniformi.
  2. Valutazione (Utility): Le strategie vengono applicate a un circuito di addestramento (training circuit) e eseguite sull'hardware quantistico reale.
  3. Funzione di Utilità: Viene calcolata una metrica di successo (es. probabilità di successo o norma-1 tra distribuzione ideale e osservata) basata sui risultati sperimentali.
  4. Selezione e Riproduzione: Le strategie con la massima utilità vengono selezionate per la riproduzione (incrocio/crossover) e mutazione, generando una nuova generazione.
  5. Convergenza: Il processo iterativo continua fino a trovare strategie ottimali.
• Circuiti di Addestramento: Per gestire circuiti target troppo grandi per la simulazione classica, gli autori utilizzano tecniche di semplificazione:
  • Mirror Circuits: Apporre l'inverso del circuito per annullare l'evoluzione ideale, lasciando solo l'effetto del rumore.
  • Cliffordization: Sostituire le porte non-Clifford con equivalenti Clifford per rendere il circuito simulabile classicamente, mantenendo la struttura dei "motivi" (DD motifs) dove inserire gli impulsi.
  • L'ipotesi fondamentale è che le strategie DD ottimali dipendano dalla struttura del circuito e non dai parametri specifici delle porte.

3. Contributi Chiave

1. Framework di Apprendimento Empirico: Dimostrazione che è possibile "outsourcare" la progettazione di sequenze DD a algoritmi di ottimizzazione empirica, superando i limiti delle analisi teoriche statiche.
2. Scalabilità e Generalizzazione: Il metodo trova strategie che migliorano le prestazioni in modo stabile nel tempo e si generalizzano a circuiti più grandi rispetto a quelli su cui sono stati addestrati.
3. Estensione del Benchmarking: Abilitazione del Mirror Randomized Benchmarking (MRB) su scale precedentemente irraggiungibili (fino a 100 qubit) grazie alla riduzione del rumore tramite DD appreso.

4. Risultati Sperimentali

Gli autori hanno testato GADD su tre scenari distinti utilizzando processori IBM superconduttori (Falcon, Eagle):

• Algoritmo di Bernstein-Vazirani (27 qubit):
  • Confronto con sequenze standard (CPMG, XY4, EDD, URDD).
  • Risultato: Le strategie apprese empiricamente hanno superato significativamente tutte le sequenze canoniche. Il miglioramento relativo è cresciuto con la dimensione del problema (da $n=8$ a $n=26$), raggiungendo una probabilità di successo fino a 4 volte superiore rispetto alle migliori sequenze esistenti.
• Preparazione dello Stato GHZ (50 qubit):
  • Analisi della persistenza nel tempo e della trasferibilità tra dispositivi.
  • Risultato: Le strategie apprese hanno mantenuto prestazioni superiori rispetto alle sequenze canoniche per diverse ore e persino una settimana dopo l'addestramento. Inoltre, strategie addestrate su un dispositivo (IBM Kyiv) hanno funzionato efficacemente su un altro dispositivo con la stessa architettura (IBM Sherbrooke), dimostrando la generalizzabilità.
• Mirror Randomized Benchmarking (MRB) su 100 qubit:
  • Applicazione su circuiti Clifford e Universali (SU(2)) su 127 qubit.
  • Risultato: Senza DD o con sequenze canoniche, il segnale di benchmarking collassava oltre 50 qubit a causa del rumore. Con GADD, è stato possibile estrarre metriche di errore (EPL) fino a 80 qubit per circuiti Clifford e 100 qubit per circuiti universali. Le strategie apprese su piccoli motivi (sub-circuiti) hanno funzionato perfettamente su circuiti target molto più grandi e complessi.

5. Significato e Implicazioni

• Superamento della Teoria: Il lavoro dimostra che l'ottimizzazione empirica può trovare strategie di disaccoppiamento superiori a quelle derivate teoricamente, specialmente in ambienti complessi con crosstalk multi-qubit.
• Riduzione dell'Overhead: Una volta appresa una strategia per una certa architettura e tipo di circuito, può essere riapplicata senza bisogno di ri-addestramento frequente, riducendo l'overhead operativo.
• Futuro della Computazione Quantistica: Questo approccio apre la strada all'uso di tecniche di ottimizzazione classica (oltre agli algoritmi genetici) per navigare spazi di parametri enormi, permettendo di scoprire nuove sequenze DD e di comprendere meglio i profili di rumore dei dispositivi quantistici su larga scala.
• Abilitazione di Benchmarking: La capacità di eseguire MRB su 100 qubit è un passo cruciale per caratterizzare e validare i processori quantistici di prossima generazione prima della correzione completa degli errori (fault tolerance).

In sintesi, il paper presenta un cambio di paradigma: invece di cercare di derivare analiticamente la sequenza DD perfetta per ogni dispositivo, si lascia che l'hardware "impari" la propria strategia di difesa ottimale attraverso un ciclo di feedback empirico guidato da algoritmi genetici.