Active Learning for Calibrating Entangling Gates via Surrogate-Based Optimization

Sintesi Tecnica: Apprendimento Attivo per la Calibrazione di Gate Entangling tramite Ottimizzazione Basata su Surrogati

Enunciato del Problema
Le operazioni di gate quantistico ad alta fedeltà sono essenziali per il vantaggio quantistico a breve termine e per la correzione degli errori tollerante ai guasti. Tuttavia, raggiungere un'alta fedeltà richiede la calibrazione precisa dei parametri di controllo classici che definiscono l'Hamiltoniana del sistema. Sebbene esistano modelli teorici, l'Hamiltoniana effettivamente implementata sull'hardware spesso devia dall'ideale a causa di funzioni di trasferimento potenzialmente non lineari e sconosciute nell'infrastruttura di controllo classico. I metodi di calibrazione tradizionali, come gli sweep sequenziali dei parametri o l'ottimizzazione basata su modelli forward precisi (ad esempio, la calibrazione Bayesiana con modelli teorici accurati), affrontano limitazioni significative. Queste includono la scarsa scalabilità con la dimensione del sistema, gli elevati costi computazionali per le simulazioni classiche e l'incapacità di gestire il drift dell'hardware senza una ricalibrazione periodica. Inoltre, i sistemi quantistici operano in un regime di rumore e di dati scarsi, rendendo impraticabili gli approcci data-hungry come le reti neurali. La sfida principale è identificare in modo efficiente i parametri di controllo ottimali, tollerando il rumore di misura e operando senza un modello fisico esatto del sistema sperimentale.

Metodologia
Gli autori propongono un framework di apprendimento attivo basato sull'Ottimizzazione Bayesiana (BO) utilizzando un Processo Gaussiano (GP) come modello surrogato. Questo approccio è progettato per navigare il panorama della calibrazione utilizzando un numero limitato di misurazioni rumorose.

• Modellazione del Surrogato: Il framework impiega un GP per modellare l'ignoto panorama di calibrazione $f(x)$, dove $x$ rappresenta il vettore dei parametri di controllo (frequenza di Rabi $\Omega$, detuning del sideband $\delta$ e detuning della linea centrale $\omega_{cl}$). A differenza dei GP standard, questa implementazione utilizza un modello di rumore etteroschedastico. Il rumore di misura $\epsilon_i$ è modellato come una Gaussiana a media zero con varianza dipendente dalle impostazioni di controllo e dal numero di shot di misura $N$, riflettendo la fisica del rumore di proiezione quantistica.
• Ciclo di Ottimizzazione Bayesiana: Il processo di ottimizzazione itera attraverso tre fasi:
  1. Aggiornamento del Surrogato: La distribuzione a posteriori del GP viene aggiornata con nuovi dati sperimentali (parametri di controllo e punteggi misurati), ottimizzando gli iperparametri (scale di lunghezza, varianza del segnale, scaling del rumore) tramite la massima verosimiglianza di tipo II.
  2. Acquisizione di Apprendimento Attivo: Una funzione di acquisizione, specificamente l'Upper Confidence Bound (UCB), seleziona la prossima configurazione sperimentale. Questa funzione bilancia l' esplorazione (campionamento di regioni con alta incertezza) e lo sfruttamento (campionamento di regioni con alta fedeltà prevista) per localizzare efficientemente l'ottimo globale.
  3. Valutazione Fisica: I parametri selezionati vengono applicati al sistema quantistico (simulato in questo lavoro), e il punteggio di fedeltà del gate risultante viene misurato.
• Ambiente di Simulazione: Il metodo è validato utilizzando una simulazione di un gate Mølmer-Sørensen (MS) in ioni intrappolati. La simulazione utilizza IonSim.jl per modellare due ioni $^{40}\text{Ca}^+$, incorporando l'eccitazione del carrier fuori risonanza e gli effetti di impulsi quadrati, trascurando la decoerenza per isolare l'impatto del rumore di proiezione quantistica. La sequenza di calibrazione prevede l'inizializzazione dei qubit in $|gg\rangle$, l'applicazione di due gate MS e la misurazione della probabilità dello stato $|ee\rangle$ ($P_{ee}$) come punteggio.

Contributi Chiave

• Calibrazione Model-Free: Il documento dimostra un protocollo di calibrazione che non richiede un modello forward validato del sistema quantistico, affidandosi invece a un surrogato GP guidato dai dati.
• Gestione del Rumore Eteroschedastico: Gli autori integrano un modello di rumore in cui la varianza di osservazione dipende dai parametri di controllo e dagli shot di misura, riconoscendo che il rumore di proiezione quantistica varia attraverso il panorama.
• Efficienza dell'Apprendimento Attivo: Il framework utilizza l'apprendimento attivo per accelerare la scoperta dei parametri ottimali, mostrando come il GP possa efficacemente "denoisare" il sistema imponendo la fluidità spaziale, anche quando addestrato su dati rumorosi.
• Quantificazione dei Limiti: Lo studio caratterizza esplicitamente i limiti di saturazione della fedeltà imposti dal rumore di proiezione quantistica a shot finiti, distinguendo tra convergenza algoritmica e limiti fisici di misura.

Risultati
Gli autori hanno validato l'approccio attraverso simulazioni numeriche del gate MS in ioni intrappolati:

• Accuratezza del Surrogato: Il surrogato GP ha modellato con successo il panorama di controllo. L'aumento del numero di punti di addestramento ($m$) e degli shot di misura ($N$) ha migliorato l'accuratezza. Notevolmente, per un valore grande di $m$, la media del GP è stata in grado di filtrare il rumore di proiezione non correlato, raggiungendo Errori Quadratici Medi (RMSE) inferiori al livello di rumore medio dei dati.
• Convergenza dell'Ottimizzazione:
  • Intervallo dei Parametri: Ridurre l'intervallo iniziale di incertezza dei parametri (ad esempio, da $\pm 10$ kHz a $\pm 1$ kHz) ha ridotto significamente il tempo di convergenza e ha diminuito la varianza nel percorso di ottimizzazione. Tuttavia, l'ottimizzatore è rimasto abbastanza robusto da trovare l'ottimo globale anche in domini di ricerca su larga scala ($r=1.0$).
  • Budget di Shot: La fedeltà dell'ottimizzazione è saturata in base al numero di shot per valutazione ($N$). La saturazione ha seguito la scala attesa $1 - Q \approx Q_\infty + \gamma N^{-1/2}$. Anche con un budget basso di $N=100$ shot, l'ottimizzatore ha raggiunto in modo affidabile un floor di fedeltà di $\sim 10^{-3}$, sebbene ulteriori iterazioni non potessero migliorare la fedeltà al di sotto del limite a shot finiti.
  • Precisione dei Parametri: I parametri di frequenza ($\omega_{cl}$ e $\delta$) sono confluiti entro decine di Hz dai valori ideali, mentre la frequenza di Rabi ($\Omega$) è confluita al rapporto ideale con una varianza minima.
• Visualizzazione: È stato dimostrato che il processo di apprendimento attivo campiona intelligentemente il panorama, concentrando le misurazioni attorno alla regione ottimale e restringendo l'incertezza attorno ai picchi di frequenza, mentre il panorama di ampiezza rimaneva più ampio a causa della minore sensibilità nella sequenza di calibrazione scelta.

Significatività e Rivendicazioni
Il documento stabilisce l'utilità dell'apprendimento attivo e dei modelli surrogati per la calibrazione e il controllo quantistico. Gli autori affermano che il loro approccio model-free fornisce una "via leggera verso la manutenzione automatizzata dei gate", capace di gestire il drift di calibrazione e di operare senza modelli fisici dettagliati. I risultati suggeriscono che l'Ottimizzazione Bayesiana tramite Processi Gaussiani è uno strumento pratico per compiti di controllo quantistico rumorosi e costosi. Il lavoro evidenzia come, sebbene sia possibile una calibrazione efficiente nelle risorse, la fedeltà ultima è limitata dal rumore di proiezione quantistica inerente al processo di misura. Gli autori pongono questo metodo come un passo fondamentale verso la caratterizzazione, la calibrazione e il controllo di sistemi quantistici in scala, osservando che il lavoro futuro dovrebbe affrontare le non-idealità del mondo reale e gli approcci multi-fedeltà che combinano simulazioni classiche con misurazioni quantistiche.