Performance Comparison of Neural Network Approaches for Electric Potential Field Generation in Surface Ion Traps

Sintesi Tecnica: Confronto delle Prestazioni di Approcci di Reti Neurali per la Generazione di Campi di Potenziale Elettrico in Trappole Ioniche di Superficie

Definizione del Problema
Le trappole ioniche a elettrodi superficiali sono una piattaforma critica per il calcolo quantistico scalabile, che abilita le architetture Quantum Charge-Coupled Device (QCCD). Tuttavia, la progettazione e l'ottimizzazione di queste trappole dipendono fortemente dal calcolo accurato dei campi di potenziale elettrico. I metodi numerici tradizionali, come il Metodo degli Elementi Finiti (FEM), il Metodo delle Differenze Finite (FDM) e il Metodo degli Elementi di Confine (BEM), sono computazionalmente costosi. Il FEM, pur essendo accurato, richiede risorse significative per risolvere l'equazione di Laplace su mesh fini, rallentando la prototipazione. Sebbene il Metodo dell'Angolo Solido (SAM) offra un approccio basato sul confine più efficiente con complessità $O(nm)$, gli autori identificano la necessità di metodi ancora più veloci per facilitare l'esplorazione rapida del design e la correzione in tempo reale di imperfezioni sperimentali come i campi stazionari (stray fields).

Metodologia
Lo studio valuta tre distinte architetture di reti neurali per la generazione di campi di potenziale elettrico in trappole ioniche di superficie, utilizzando il Solid Angle Method (SAM) come ground truth per l'addestramento e la validazione. Una simulazione FEM in COMSOL Multiphysics funge da baseline classica per il confronto della velocità.

1. Rete Neurale Convoluzionale (CNN): Un'architettura encoder-decoder ispirata alla traduzione immagine-immagine. Prende due parametri di input (larghi degli elettrodi RF e distanza di separazione) e li mappa in uno spazio latente, effettuando l'upsampling progressivo da $8\times8$ a un campo di potenziale $50\times50$ tramite strati convoluzionali e connessioni skip. Contiene circa 15 milioni di parametri.
2. Operatore Neurale di Fourier (FNO): Questa architettura utilizza trasformazioni spettrali per modellare il comportamento globale del campo, adatta a campi fisici fluidi. Impiega un encoder MLP, sei strati di Fourier con troncamento dei modi (a $26\times26$ modi) e uno strato di proiezione per produrre un campo $50\times50$. Contiene circa 8 milioni di parametri.
3. Strati Completamente Connessi (FCL): Un approccio punto per punto in cui le coordinate spaziali vengono inserite direttamente nella rete insieme ai parametri degli elettrodi. Il sistema utilizza tre reti specializzate per predire il potenziale elettrico, il logaritmo dell'ampiezza del campo ($\lg(|E|)$) e il segno del campo, che vengono combinati per ricostruire il campo. Ciò evita la regressione diretta su ampi intervalli dinamici.

Strategia di Addestramento
Tutti i modelli sono stati addestrati utilizzando l'errore quadratico medio (MSE). Un componente critico della metodologia è stata l'implementazione di una strategia di masking, in cui i punti con magnitudo del pseudopotenziale inferiore a una soglia ($\epsilon = 0.3$ eV) sono stati esclusi dal calcolo della perdita (loss). Ciò ha focalizzato l'addestramento sulla regione fisicamente rilevante del confinamento ionico (entro $\sim10$ $\mu$m dal punto di equilibrio). Gli autori hanno esplicitamente testato e rifiutato le Reti Neurali Informate dalla Fisica (PINN) con vincoli Laplaciani ($\nabla^2\phi=0$), citando l'instabilità numerica dovuta alla risoluzione della griglia discreta e la difficoltà di bilanciare funzioni di perdita multi-obiettivo.

Risultati Chiave
Lo studio confronta le architetture in base all'accuratezza della ricostruzione del campo, all'estrazione dei parametri della trappola e alle prestazioni computazionali su hardware CPU e GPU.

• Accuratezza: L'Operatore Neurale di Fourier (FNO) ha dimostrato prestazioni superiori. L'FNO con masking ha ottenuto un errore medio del campo di potenziale efficace di solo 0,02% e un errore di campo dello 0,15%, con un tasso di successo del 100% nella generazione di campi fisicamente significativi. Al contrario, la CNN con masking ha mostrato un errore di potenziale dello 0,49%, e l'approccio FCL ha prodotto un errore dello 0,40% nell'estrazione dei parametri dal potenziale.
• Estrazione dei Parametri: L'FNO con masking ha fornito l'accuratezza più elevata per i parametri critici della trappola: altezza di equilibrio ($0,1\%$ di errore), frequenza secolare ($4,1\%$ di errore) e profondità della trappola ($2,8\%$ di errore). La CNN ha avuto difficoltà con le dipendenze a lungo raggio, risultando in errori più elevati per la frequenza ($23,8\%$) e la profondità ($15,6\%$).
• Prestazioni Computazionali:
  • Velocità: Su GPU, il tempo di inferenza dell'FNO è stato di 0,53 ms per campo, rispetto a 2,4 ms per la CNN e 62 ms per la generazione FCL di un intero campo.
  • Confronto con le Baseline: L'FNO è circa 10 volte più veloce del Solid Angle Method (SAM) su CPU (5,7 ms contro 7,8 ms) e circa 1.800 volte più veloce delle simulazioni COMSOL FEM (980 ms).
  • Hardware: Sebbene tutte le reti neurali abbiano mostrato incrementi di velocità significativi su GPU, l'FNO ha offerto il miglior equilibrio tra velocità e accuratezza.

Significatività e Rivendicazioni
Gli autori affermano che l'Operatore Neurale di Fourier è un forte candidato per sostituire o integrare le simulazioni numeriche tradizionali nella progettazione di trappole ioniche di superficie. La primaria significatività di questo lavoro risiede nel dimostrare che gli operatori neurali possono raggiungere un errore inferiore allo 0,02% nella generazione del campo di potenziale fornendo al contempo un incremento di velocità di 10 volte rispetto ai metodi efficienti esistenti (SAM) e ordini di grandezza di velocità superiore rispetto agli standard FEM.

Il documento conclude che la capacità dell'FNO di catturare le relazioni globali del campo attraverso trasformazioni spettrali lo rende particolarmente adatto alla natura fluida e soddisfacente del Laplaciano dei potenziali elettrici nelle trappole ioniche. Gli autori asseriscono che questo approccio consente un'esplorazione e un'ottimizzazione più rapide dello spazio di progettazione. Suggeriscono modestamente che il lavoro futuro potrebbe estendere questi metodi a geometrie 3D, campi RF dipendenti dal tempo e cristalli multi-ionici, ma non rivendicano un immediato impiego in loop di controllo sperimentale in tempo reale, concentrandosi invece sul potenziale per processi di progettazione automatizzati e un'esplorazione esaustiva dello spazio dei parametri.