High-fidelity quantum gate learning via physics-informed neural networks

Nella ricerca di un computer quantistico pratico, gli scienziati affrontano un ostacolo fondamentale: la necessità di eseguire operazioni con estrema precisione. Queste macchine si affidano a minuscole unità di informazione chiamate qubit, che possono esistere in più stati contemporaneamente, una proprietà che permette loro di risolvere certi problemi molto più velocemente dei computer classici. Tuttavia, per rendere utili questi qubit, i ricercatori devono manipolarli con una tempistica e una forza perfette per creare porte logiche, i blocchi costruttivi fondamentali di qualsiasi calcolo. La sfida risiede nel progettare i segnali di controllo — essenzialmente onde radio o impulsi laser — che guidano questi qubit. Questi segnali devono essere fluidi e accuratamente modellati per evitare errori, ma devono anche rispettare le rigide leggi fisiche che governano il modo in cui le particelle quantistiche si muovono e interagiscono. Se il controllo è troppo brusco o impreciso, lo delicato stato quantistico collassa e il calcolo fallisce. Per anni, trovare questi segnali di controllo perfetti ha richiesto pesanti e ripetitivi calcoli informatici, che sono lenti e difficili da scalare per macchine complesse.

Un team di ricercatori ha ora proposto un nuovo modo per risolvere questo problema utilizzando un tipo di intelligenza artificiale nota come rete neurale informata dalla fisica. Invece di trattare il computer come una scatola nera che semplicemente indovina il miglior segnale, questo approccio insegna al computer le vere leggi della fisica che governano i qubit. I ricercatori hanno addestrato il loro sistema per trovare gli impulsi di controllo perfetti per due compiti specifici: un'operazione a singolo qubit chiamata porta Hadamard, che crea una sovrapposizione di stati, e un'operazione a due qubit chiamata porta NOT controllata (CNOT), che collega due qubit per creare l'entanglement. Incorporando l'equazione di Schrödinger dipendente dal tempo — la regola centrale che descrive come evolvono i sistemi quantistici — direttamente nel processo di addestramento, la rete ha imparato a generare campi di controllo fluidi e continui che soddisfano sia il risultato desiderato che i vincoli fisici del sistema.

I risultati di questa simulazione sono straordinariamente precisi. Per la porta Hadamard a singolo qubit, il sistema ha prodotto un impulso di controllo che ha raggiunto un tasso di errore medio di circa 8,49 per 10 alla meno otta (10⁻⁸). Ciò significa che la porta funziona correttamente più del 99,99999% delle volte. Per la più complessa porta controlled-NOT a due qubit, le prestazioni sono variate leggermente a seconda di come i due qubit erano collegati, ma i tassi di errore sono rimasti incredibilmente bassi, oscillando tra circa 3,39 per 10 alla meno settima (10⁻⁷) e 4,96 per 10 alla meno sesta (10⁻⁶). Questi numeri indicano che gli impulsi di controllo appresi sono altamente efficaci nel guidare il sistema quantistico esattamente allo stato richiesto per un calcolo di successo.

Oltre a trovare gli impulsi, i ricercatori hanno indagato come questi segnali si comportano in diverse condizioni. Hanno testato i controlli appresi contro vari tipi di interazioni tra qubit, incluse quelle che agiscono lungo diverse direzioni spaziali. Hanno scoperto che la forma specifica dell'impulso di controllo dipende fortemente dal tipo di connessione tra i qubit. Ad esempio, quando i qubit interagivano in un certo modo, il sistema richiedeva segnali di controllo forti su un qubit ma molto deboli sull'altro. In un'altra configurazione, era necessario un mix bilanciato di segnali su entrambi. Ciò suggerisce che non esiste un modello di controllo unico "universale"; il segnale ottimale deve essere su misura per l'hardware fisico specifico in uso.

Il team ha anche esaminato come questi impulsi perfetti si comporterebbero in un ambiente del mondo reale dove il rumore e la perdita di energia sono inevitabili. Hanno simulato l'effetto del dephasing (defasiamento), in cui lo stato quantistico perde la sua coerenza, e dell'attenuazione di ampiezza, in cui il qubit perde energia verso l'ambiente circostante. Anche senza riaddestrare la rete per queste condizioni rumorose, gli impulsi già appresi hanno mostrato un calo di prestazioni prevedibile e lineare all'aumentare del rumore. Questo comportamento corrispondeva alle aspettative teoriche, confermando che il metodo produce controlli robusti che degradano con grazia piuttosto che fallire catastroficamente di fronte all'interferenza ambientale.

Infine, i ricercatori hanno affrontato una preoccupazione pratica per gli ingegneri che costruiranno eventualmente queste macchine: come memorizzare e trasmettere questi complessi segnali di controllo. La rete neurale produce curve fluide e continue che sono difficili da memorizzare in un formato semplice. Per risolvere questo, il team ha convertito queste complesse forme d'onda in una rappresentazione matematica compatta utilizzando un tipo specifico di espansione polinomiale. Hanno scoperto che bastavano solo 24 numeri per descrivere ogni impulso di controllo con un'accuratezza tale che la differenza tra la curva originale e la versione semplificata fosse trascurabile. Questo formato compatto rende molto più facile trasferire le soluzioni apprese all'effettivo hardware quantistico, colmando il divario tra il design teorico e l'implementazione fisica.

Lo studio dimostra che incorporare le leggi fisiche direttamente nell'apprendimento automatico offre una potente strada da seguire per il controllo quantistico. Addestrando il sistema su un insieme diversificato di condizioni iniziali e validando i risultati contro test indipendenti, i ricercatori hanno dimostrato che il loro metodo può generare porte ad alta fedeltà senza la necessità di regolare manualmente ogni parametro. Sebbene queste scoperte derivino da simulazioni al computer, esse forniscono un chiaro schema di come i futuri computer quantistici potrebbero essere programmati. La capacità di generare impulsi di controllo fluidi, robusti e compatti suggerisce che il difficile compito di progettare il "software" per le macchine quantistiche sta diventando più gestibile, aprendo la strada a tecnologie quantistiche più affidabili e scalabili.