Robust and optimal control of open quantum systems

Questo lavoro presenta un algoritmo scalabile per il controllo ottimo e robusto di sistemi quantistici aperti che, validato sperimentalmente su un circuito superconduttore, supera le prestazioni dei metodi convenzionali per sistemi chiusi raggiungendo un'infedeltà ultra-bassa di circa lo 0,60% con un aumento trascurabile della complessità computazionale.

L'essenziale

Immagina di dover guidare un'auto di Formula 1 su una pista da corsa. L'obiettivo è arrivare al traguardo nel tempo più breve possibile e con la massima precisione.

In questo scenario, il mondo quantistico è la tua pista. È un luogo incredibile, ma anche estremamente delicato e "rumoroso".

Ecco di cosa parla questo articolo, tradotto in una storia semplice:

1. Il Problema: La Pista è Rovinata e l'Auto è Scomoda

Nella vita reale (e nei computer quantistici reali), le cose non sono mai perfette come nei calcoli dei computer.

• Il Rumore (Decoerenza): Immagina che mentre guidi, ci sia un vento fortissimo che spinge l'auto da una parte all'altra, o che la strada sia piena di buche. Nel mondo quantistico, questo è il "rumore" ambientale che distrugge l'informazione.
• L'Imperfezione (Incertezza): Immagina che il tuo navigatore GPS non sia calibrato perfettamente. Forse dice che la curva è a 90 gradi, ma in realtà è a 92. Oppure che l'acceleratore risponda un po' diversamente da come pensi. Nel mondo quantistico, i parametri degli strumenti cambiano leggermente o non sono noti con precisione assoluta.

I vecchi metodi di controllo (chiamati Closed-GRAPE) erano come guidare guardando solo la mappa ideale, ignorando il vento e gli errori del GPS. Funzionavano bene in teoria, ma nella realtà l'auto finiva fuori strada o arrivava con un ritardo enorme.

2. La Soluzione: Il Nuovo "Pilota Intelligente"

Gli scienziati di questo studio (dall'Università della Scienza e Tecnologia della Cina e dalla Tsinghua University) hanno creato un nuovo algoritmo, chiamato Approximate Open-GRAPE.

Ecco come funziona, con un'analogia:

• Il Vecchio Pilota (Closed-GRAPE): Guida guardando solo la strada perfetta disegnata su carta. Se c'è vento, non se ne accorge finché non è troppo tardi.
• Il Nuovo Pilota (Approximate Open-GRAPE): È come un pilota che ha un assistente virtuale super-intelligente. Questo assistente gli dice: "Ehi, c'è un vento laterale di 5 km/h e il tuo GPS è sbagliato di 2 gradi. Calcola la rotta tenendo conto di questi errori mentre guidi!".

Invece di ignorare il caos, il nuovo algoritmo include il caos nel suo calcolo. Sa che l'auto è su una strada piena di buche e che il GPS non è perfetto, quindi trova una traiettoria che funziona nonostante questi problemi.

3. Il Trucco Magico: Velocità e Precisione

C'era un grosso problema con i metodi precedenti che cercavano di gestire il caos: erano lentissimi.

• Pensaci così: calcolare come si muove un'auto su una strada perfetta è facile. Calcolare come si muove un'auto con vento, pioggia, buche e un GPS rotto richiede di fare milioni di calcoli in più. I vecchi metodi per il "mondo aperto" (con rumore) richiedevano una potenza di calcolo enorme, come se dovessi simulare ogni singola goccia di pioggia.

Il nuovo algoritmo è un genio della matematica. Ha trovato un modo per semplificare i calcoli.

• Invece di simulare ogni singola goccia di pioggia, calcola l'effetto medio del vento in modo intelligente e veloce.
• Il risultato? È quasi veloce quanto il vecchio metodo semplice (che ignorava il vento), ma è molto più preciso perché tiene conto del vento.

4. La Prova sul Campo: L'Esperimento Reale

Gli scienziati non si sono limitati a fare calcoli su carta. Hanno costruito un vero computer quantistico (un circuito superconduttore) e hanno messo alla prova il loro nuovo algoritmo.

Hanno chiesto al sistema di eseguire un compito difficile: spostare informazioni da un punto all'altro senza perdere nulla.

• Con il vecchio metodo: L'errore era circa l'1,44%. Era come se ogni 100 volte che guidavi, sbagliavi strada quasi 2 volte.
• Con il nuovo metodo: L'errore è sceso allo 0,60%. È un miglioramento enorme! Significa che il nuovo pilota è molto più affidabile.

Inoltre, il nuovo metodo ha trovato soluzioni migliori molto più spesso. Immagina di lanciare 500 dardi contro un bersaglio:

• Il vecchio metodo ne centrava pochi.
• Il nuovo metodo ne centrava 46 volte su 100 (un aumento di oltre 340 volte nella probabilità di successo!).

Perché è Importante?

Questo lavoro è fondamentale per il futuro della tecnologia quantistica.
Per costruire computer quantistici veri e utili (che possano curare malattie o scoprire nuovi materiali), dobbiamo essere in grado di controllare questi sistemi delicati anche quando non sono perfetti.

Questo nuovo algoritmo è come aver dato ai piloti quantistici un navigatore che non si blocca mai, permettendo loro di guidare velocemente e con precisione anche sulle strade più sconnesse della realtà. Ci avvicina un passo importante alla creazione di computer quantistici che funzionano davvero, non solo in teoria.

Sommario tecnico

1. Il Problema

Le tecnologie quantistiche (computazione, comunicazione, metrologia) richiedono la manipolazione coerente di stati quantistici con alta fedeltà. Tuttavia, nei sistemi sperimentali reali, l'implementazione di operazioni unitarie ad alta fedeltà è limitata da due fattori principali:

1. Incertezze dei parametri: Discrepanze tra il modello teorico e il sistema fisico reale dovute a errori di calibrazione, invecchiamento dei campioni o derive lente dei parametri (es. frequenza, accoppiamento).
2. Decoerenza: L'inevitabile accoppiamento del sistema quantistico con l'ambiente esterno (reservoir), che porta alla perdita di informazione quantistica.

I metodi di controllo quantistico esistenti, come l'algoritmo GRAPE (Gradient Ascent Pulse Engineering), sono stati storicamente sviluppati per sistemi quantistici chiusi (isolati). Quando applicati a sistemi reali (aperti), questi algoritmi falliscono nel considerare le perturbazioni, portando a impulsi di controllo non robusti e a una fedeltà operativa inferiore.
Esistono approcci per sistemi aperti (Open-GRAPE) che risolvono l'equazione master di Lindblad, ma questi richiedono il calcolo dell'evoluzione della matrice densità ($d \times d$), risultando computazionalmente proibitivi con una complessità di almeno $O(d^3)$ o $O(d^6)$, rendendoli difficili da scalare per sistemi multi-qubit o ad alta dimensionalità.

2. Metodologia

Gli autori propongono un nuovo algoritmo chiamato Approximate Open-GRAPE. Questo metodo mira a combinare l'efficienza computazionale del GRAPE per sistemi chiusi con la capacità di gestire le imperfezioni dei sistemi aperti.

• Approccio Perturbativo: L'algoritmo si basa sull'assunzione che il rumore (decoerenza) e le incertezze dei parametri siano deboli ($\kappa T \ll 1$ e $(\sigma T)^2 \ll 1$). Invece di risolvere l'equazione master di Lindblad completa, l'algoritmo espande lo stato finale perturbativamente fino al primo ordine.
• Funzione Obiettivo: Viene definita una nuova funzione obiettivo $J_{open}$ che approssima la fedeltà media in un sistema aperto. Questa funzione è la somma di tre termini:
  1. $J_{close}$: La fedeltà del sistema ideale (chiuso).
  2. $J_{f}$: Un termine correttivo che tiene conto delle fluttuazioni dei parametri Hamiltoniani (incertezze).
  3. $J_{d}$: Un termine correttivo che tiene conto del rumore di decoerenza (operatori di salto di Lindblad).
• Efficienza Computazionale: La chiave dell'innovazione è che il calcolo del gradiente per questa nuova funzione obiettivo può essere eseguito utilizzando la propagazione di vettori di stato (dimensione $d \times 1$) invece della matrice densità completa. Questo permette di evitare la costosa risoluzione differenziale della matrice densità, mantenendo la complessità computazionale vicina a quella del GRAPE standard ($O(d^2)$), con un aumento solo di un fattore costante legato al numero di sorgenti di rumore e incertezze.

3. Contributi Chiave

1. Algoritmo Scalabile: Sviluppo di un algoritmo di controllo ottimo che gestisce simultaneamente incertezze parametriche e decoerenza mantenendo una complessità computazionale lineare rispetto al numero di parametri incerti e sorgenti di rumore, e quasi quadratica rispetto alla dimensione dello spazio di Hilbert ($O(d^2)$).
2. Validazione Sperimentale: Implementazione e verifica dell'algoritmo su un circuito quantistico superconduttore reale, dimostrando che la teoria funziona in un ambiente di laboratorio con rumore reale.
3. Miglioramento della "Yield" (Resa): Dimostrazione che l'algoritmo aumenta drasticamente la probabilità di trovare impulsi di controllo ad alta qualità partendo da inizializzazioni casuali, riducendo il numero di tentativi necessari per l'ottimizzazione.

4. Risultati

I risultati sono stati ottenuti sia tramite simulazioni numeriche che esperimenti su un circuito superconduttore composto da un qubit transmon accoppiato a una cavità 3D (codice binomiale).

• Simulazioni Numeriche:
  • L'algoritmo Approximate Open-GRAPE ha mostrato una resa (yield) superiore di oltre 340 volte rispetto al Closed-GRAPE.
  • Mentre il Closed-GRAPE produceva impulsi con un'infedeltà media del 1.47%, l'approccio proposto ha ridotto l'infedeltà media al 0.97%.
  • L'algoritmo ha generato impulsi con un'infedeltà minima del 0.63%, un valore che il Closed-GRAPE non riusciva a raggiungere in modo affidabile.
• Esperimenti Reali:
  • In un esperimento di inizializzazione e decodifica di stati logici, l'infedeltà media è scesa dal 1.84% (Closed-GRAPE) al 1.01% (Approximate Open-GRAPE), un miglioramento relativo del 45%.
  • Per una porta logica $R_y(\pi)$ ripetuta, l'infedeltà minima ottenuta è stata dello 0.60% (rispetto al 1.44% del Closed-GRAPE).
  • L'algoritmo ha dimostrato una maggiore robustezza: le variazioni di infedeltà tra diversi impulsi iniziali sono state minori, indicando una minore sensibilità alle fluttuazioni dei parametri di rumore.
• Complessità: Il tempo di calcolo per iterazione è aumentato solo di un fattore costante (circa 6.77 volte nel caso testato) rispetto al Closed-GRAPE, rendendo fattibile l'ottimizzazione di sistemi con dimensioni fino a $10^6$ (circa 20 qubit) su computer personali.

5. Significato e Impatto

Questo lavoro rappresenta un avanzamento significativo nel campo del controllo quantistico ottimo:

• Ponte tra Teoria e Pratica: Fornisce uno strumento pratico per ottenere le migliori prestazioni possibili su hardware quantistico reale, dove il rumore e le incertezze sono inevitabili.
• Soglia di Tolleranza agli Errori: Migliorare la fedeltà delle porte logiche anche di pochi punti percentuali è cruciale per superare la "break-even point" della correzione degli errori quantistici e raggiungere la supremazia quantistica.
• Versatilità: L'algoritmo è generale e può essere applicato a diverse piattaforme quantistiche (atomi di Rydberg, ioni intrappolati, circuiti superconduttori) e non solo per porte logiche, ma anche per metrologia quantistica e reset di stati.
• Efficienza: Dimostra che non è necessario ricorrere a metodi computazionalmente pesanti (come la risoluzione completa di Lindblad) per ottenere robustezza, aprendo la strada al controllo di sistemi quantistici più complessi e su larga scala.

In sintesi, l'algoritmo Approximate Open-GRAPE offre un compromesso ottimale tra robustezza contro il rumore e efficienza computazionale, rendendo il controllo di sistemi quantistici aperti più affidabile e scalabile per le applicazioni pratiche del futuro.