Sintesi Tecnica: Benchmarking della Controllabilità a Risorse Limitate di Sistemi Quantistici Aperti

Definizione del Problema

La realizzazione pratica delle tecnologie quantistiche richiede l'implementazione di operazioni ad alta fedeltà sotto dinamiche di sistemi aperti e risorse hardware finite. Sebbene la controllabilità dei sistemi chiusi idealizzati sia ben definita da un criterio algebrico di Lie binario (ovvero se gli hamiltoniani di deriva e di controllo generano $\mathfrak{su}(d)$), questa condizione teorica non riesce a predire le prestazioni effettive nei dispositivi reali. I sistemi reali operano in regimi aperti dove decoerenza, deriva, limiti di larghezza di banda e impulsi non ideali inducono dinamiche non unitarie. Inoltre, il rumore è spesso parzialmente caratterizzato, dipendente dal controllo e potenzialmente non markoviano.

La letteratura esistente sulla controllabilità dei sistemi aperti si basa tipicamente su modelli specifici (ad esempio, dinamiche di Lindblad markoviane) o analisi di raggiungibilità astratte che non affrontano direttamente la questione ingegneristica: Dato una famiglia di impulsi di controllo implementabili dall'hardware e vincoli di risorse espliciti (ad esempio, ampiezza e larghezza di banda), quali operazioni target sono realizzabili con alta fedeltà e come scala questa capacità rispetto alle risorse disponibili? I modelli puramente "whitebox" basati sulla fisica spesso mancano di accuratezza nei regimi ad alta fedeltà a causa di dissipazioni non modellate, mentre i modelli "blackbox" basati sui dati mancano di struttura diagnostica e richiedono una quantità eccessiva di dati.

Metodologia

Gli autori propongono un framework a risorse limitate che tratta la controllabilità pratica come un problema di ingegneria del dispositivo. L'approccio quantifica la distribuzione delle migliori fedeltà raggiungibili su un insieme di gate target anziché cercare una condizione di raggiungibilità binaria. La metodologia consiste in quattro fasi principali:

1. Modellazione Graybox:
   Il nucleo del framework è un modello surrogato "graybox" addestrato. Questo modello conserva la dinamica coerente nota generata dagli hamiltoniani di deriva e di controllo ($H_0(t)$), ma apprende una descrizione compatta e dipendente dal controllo delle distorsioni del sistema aperto ($V_O(T)$) dai dati di sondaggio.

   • La dinamica del sistema è espressa nel quadro di interazione rispetto a $H_0(t)$.
   • Il modello viene addestrato su coppie di parametri di controllo $\vec{\theta}$ e vettori di aspettativa misurati $\vec{E}$ su una base tomograficamente completa.
   • Una volta addestrato, il modello funge da motore di ricerca rapido, prevedendo il propagatore efficace per qualsiasi forma d'onda candidata all'interno dello spazio di controllo addestrato senza richiedere una simulazione fisica completa.

2. Ricostruzione del Canale:
   Per una data forma d'onda di controllo candidata, il modello graybox predice il propagatore coerente e l'insieme degli operatori di correzione efficaci nello spazio osservabile. Queste previsioni vengono utilizzate per ricostruire la matrice di processo (matrice di Choi) del canale quantistico implementato in una base di tomografia fissa.

3. Scoring della Fedeltà e Ottimizzazione:

   • Un insieme di $N_G$ gate target viene estratto indipendentemente dalla misura di Haar su $SU(d)$.
   • Per ogni gate target, il framework valuta la fedeltà di processo rispetto a tutte le forme d'onda in una famiglia di impulsi "ammissibile" e vincolata.
   • La famiglia ammissibile è definita da budget di risorse espliciti (ad esempio, ampiezza massima $A_{cap}$ e larghezza di banda $B_{cap}$).
   • La migliore fedeltà raggiungibile $F^*_g(A_0)$ viene determinata massimizzando la fedeltà su tutti i controlli fattibili per un particolare target $g$ e un livello di budget $A_0$.

4. Metriche di Controllabilità:
   La controllabilità pratica è caratterizzata statisticamente dalla distribuzione delle migliori infedeltà raggiungibili su un insieme di Haar.

   • La metrica primaria è un riassunto basato sull'area ($CM$), definito come l'integrale della funzione di sopravvivenza della distribuzione dell'infedeltà.
   • Matematicamente, questo è equivalente alla distanza di 1-Wasserstein ($W_1$) tra la distribuzione empirica delle migliori infedeltà raggiungibili e il punto di massa ideale a infedeltà zero.
   • Questa metrica viene calcolata attraverso una griglia di budget di risorse per generare "superfici di controllabilità".

Risultati Chiave

Il framework è stato dimostrato numericamente per un qubit pilotato ($d=2$) accoppiato a un bagno a dimensione finita, sotto tre regimi:

1. Riferimento a sistema chiuso: Dinamica unitaria ideale.
2. Modello di rumore classico: Dephasing stocastico.
3. Rumore combinato quantistico-classico: Modi ausiliari dissipativi più dephasing classico.

Studi Unidimensionali:

• Le distribuzioni delle migliori infedeltà raggiungibili sono state analizzate per la scalabilità dell'ampiezza e la scalabilità della larghezza di banda (ampiezza gaussiana).
• Il caso del sistema chiuso è collassato in una funzione a gradino a zero infedeltà ($CM \approx 0$), confermando la validità del framework.
• Nei regimi rumorosi, le distribuzioni dell'infedeltà si sono spostate verso destra, con il modello di rumore combinato che mostrava le prestazioni peggiori ($CM \approx 0.021$ per la scalabilità dell'ampiezza).
• I risultati hanno mostrato un ordinamento coerente: Sistema chiuso > Rumore classico > Rumore combinato.

Studi Bidimensionali:

• Le superfici di controllabilità congiunta ampiezza-larghezza di banda ($CM(A_{cap}, B_{cap})$) hanno rivelato una distinta struttura risorse basse–transizione–saturazione:
  • Risorse basse: I limiti ridotti restringono la famiglia di impulsi, risultando in una bassa controllabilità.
  • Transizione: Man mano che i limiti si rilassano, la controllabilità migliora rapidamente.
  • Saturazione: Ulteriori aumenti delle risorse portano a rendimenti decrescenti.
• Impatto del Rumore: Il rumore non solo abbassa il livello complessivo di controllabilità, ma deforma la regione utile. Nel caso del rumore combinato, la superficie è rimodellata in modo tale che la dipendenza dalla larghezza di banda diventi più concentrata nelle regioni a bassa larghezza di banda, nonostante la performance assoluta sia inferiore rispetto al caso del rumore classico.
• Gerarchia delle Risorse: Lo studio suggerisce che l'ampiezza agisce come la risorsa primaria che governa l'insorgenza della controllabilità, mentre la larghezza di banda agisce come una risorsa secondaria che affina il regime una volta disponibile una forza di pilotaggio sufficiente.

Significato e Rivendicazioni

L'articolo sostiene di fornire una nozione di controllabilità a livello di dispositivo per famiglie di controllo implementabili dall'hardware e con risorse fisse in presenza di rumore di sistema aperto parzialmente sconosciuto. La sua importanza risiede in:

1. Cambio di Paradigma: Passare dalla raggiungibilità teorica binaria a una valutazione quantitativa delle distribuzioni delle prestazioni raggiungibili limitate dalle risorse.
2. Mappatura Operativa: Convertire la controllabilità pratica in un "paesaggio di risorse" interpretabile (la superficie di controllabilità) che collega specifici vincoli hardware (ampiezza e larghezza di banda) alle prestazioni dei gate raggiungibili.
3. Utilità di Benchmarking: Fornire una pipeline per confrontare diverse famiglie di controllo, regimi di rumore o configurazioni hardware, quantificando il cambiamento nella distribuzione delle fedeltà dei gate raggiungibili (tramite la distanza di 1-Wasserstein).
4. Rilevanza Pratica: Dimostrare che le risorse di controllo finite e il rumore del sistema aperto limitano congiuntamente le prestazioni dei gate, offrendo un metodo per identificare i livelli di risorse specifici necessari per entrare in un regime ad alte prestazioni.

Gli autori segnalano alcune limitazioni, tra cui il fatto che il modello graybox è valido solo all'interno della regione di addestramento (nessuna estrapolazione), la larghezza di banda è modellata tramite ampiezza gaussiana piuttosto che tramite filtri hardware espliciti, e che le metriche sono riassunti numerici su campioni finiti piuttosto che criteri analitici esatti. Il framework è presentato come uno strumento per caratterizzare e confrontare le capacità di controllo in contesti realistici e limitati dalle risorse.