Characterizing Physical Error Contributions of Quantum Gates

有用な量子コンピュータの構築に向けた探求は、目に見えないものとの競争である。これらのマシンの核心にあるのは量子ビット（qubits）であり、それらは重ね合わせという脆弱な状態で情報を保持することで、古典的なスーパーコンピュータが解決するのに数千年かかるような計算を実行できる。しかし、この力には深刻な弱点が伴う。環境からのわずかな乱れ——迷走する磁場、温度の変動、あるいは制御電子回路の微小な不完全さ——が、量子ビットから情報を失わせる原因となる。この消失は「ノイズ」として知られ、量子コンピュータがその潜在能力を最大限に発揮することを阻む主要な障害となっている。この問題を解決するためには、科学者はまずエラーがどこから来ているのかを正確に理解しなければならない。計算が失敗したことを知るだけでは不十分である。エンジニアは、その失敗が量子ビットのエネルギー喪失によるものなのか、制御信号がわずかに長すぎたことによるものなのか、あるいは時間の経過とともに蓄積する緩やかなドリフトノイズによるものなのかを知る必要がある。これらのエラー源の精密な地図がなければ、ハードウェアを改良することは、目隠しをした状態で複雑なエンジンを修理しようとするようなものである。

IQM クォンタム・コンピュータズとミュンヘン・ルートヴィヒ・マクシミリアン大学の研究チームは、この地図を作成するための新しい手法を開発した。それは、エラーを特定するだけでなく、その特定をどの程度信頼できるかを科学者に伝えるものである。超伝導量子プロセッサの特定のタイプに焦点を当てた研究の中で、研究者たちは、量子情報を操作する基本操作であるシングル量子ビットゲートおよびツー量子ビットゲートの性能を測定するために、彼らの手法を適用した。その結果、シングル量子ビット操作のエラー源については高い確信を持って特定できる一方で、より複雑なツー量子ビットゲートについては、同レベルの確実性は得られないことが判明した。極めて重要なのは、彼らの手法はこの不確実性を隠蔽せず、むしろ現在の物理学の理解が不完全であるという警告サインとしてフラグを立てたことである。このアプローチは、単にエラーがどこから来るかを推測する段階から、モデルに欠けているピースがあることを認める、厳密でデータ駆動型のプロセスへの転換を意味している。

この課題を理解するには、現在どのように量子コンピュータがテストされているかを見なければならない。伝統的に、科学者は量子ビットがどれだけの期間状態を保持できるか、あるいは回転をどれほど正確に行えるかを測定するために一連の実験を行う。その後、これらの数値を数学的モデルに当てはめ、各要因が総エラーにどの程度寄与しているかを推定する。このプロセスは、モデルが完璧であり、かつエラーが互いに独立していることを前提としている。しかし、超伝導回路の現実世界では、エラーはしばしば相互に関連し、複雑で、時間の経過とともに変化する。すべてが単純で独立していると仮定するモデルは、一見精密に見える数値を生み出すかもしれないが、基礎となる仮定に欠陥があれば、その数値は完全に間違っている可能性がある。研究者たちは、これらの静的なモデルに依存することはリスクが高いことに気づいた。特に量子プロセッサが大型化し複雑化するにつれて、その傾向は顕著である。彼らは、自らの仮定が成立しているかどうかを常にチェックしながら、データから直接学習する方法を必要としていた。

彼らが提案した解決策は、物理的世界とコンピュータモデルの間の架け橋として機能する、学習ベースのフレームワークである。すべての新しい実験に対して複雑な方程式を解こうとする代わりに、チームはまず、量子プロセッサの非常に詳細なシミュレーションを構築した。このシミュレーションには、量子ビットにおける自然なエネルギー減衰から、時間の経過とともにドリフトする磁場の微妙で緩やかな変動に至るまで、既知のあらゆるエラー源が含まれていた。彼らはこのシミュレーション内で数千回の仮想実験を実行し、それぞれのシナリオにおける結果と具体的なエラーの寄与を記録した。この膨大なデータセットを用いて、彼らは「ガウス過程回帰（Gaussian Process Regression）」と呼ばれる機械学習ツールを訓練した。このツールはパターンを認識することを学習し、生の実験データと、それをもたらした特定の物理的エラーとの関係を効果的に記憶した。一度訓練されれば、このツールは新しい実世界の測定値を受け取り、エラー予算、すなわちミスがどこから来ているかの内訳を即座に予測することができる。

この手法を特に強力なものにしているのは、自身の信頼性を測定できる能力である。この機械学習ツールは単一の答えを与えるのではない。それは不確実性の範囲を提供する。実世界のデータが、ツールが訓練中に見たデータと非常によく似ている場合、不確実性は低くなり、予測は信頼できる。しかし、実データの挙動がシミュレーションで見たことのないものであった場合、ツールの不確実性は急上昇する。この急上昇は手法の失敗ではなく、一つの「機能」である。それは診断信号として機能し、物理モデルに重要な何かが欠けていることを研究者に伝える。それは、嵐が来つつある状況で自信を持って晴天を予測する天気予報と、「これまでの経験とは状況が異なるため、確信が持てません」と言う天気予報の違いである。

チームはこのフレームワークを、超伝導量子コンピュータの一般的なアーキテクチャであるトランモン・アレイの量子ペアに対してテストした。彼らは、シングル量子ビットゲート（一つの量子ビットの状態を反転させる操作）と、ツー量子ビットゲート（二つの量子ビットを絡み合わせる操作）という二種類の操作に焦点を当てた。シングル量子ビットゲートについては、結果は心強いものであった。フレームワークはエラー予算を正常に再構成し、主要なエラーは量子ビットのエネルギー損失と、制御パルスのわずかな不完全さから来ていることを特定した。不確実性は低く、チームは自分たちのモデルがこれらの操作の物理を正確に記述しているという確信を持つことができた。彼らは各要因が総エラーにどのように寄与しているかを正確に把握でき、将来の改善に向けた明確な目標を得ることができた。

研究の焦点がツー量子ビットゲートに移ると、物語は変わった。これらの操作は、二つの量子ビットを連結する「カプラー（結合素子）」と呼ばれる第三のコンポーネントを伴うため、著しく複雑である。研究者がこのフレームワークをツー量子ビットゲートのデータに適用したところ、不確実性の推定値は高くなった。ツールは、非マルコフ的なノイズやパルス歪みを含む、彼らの高度に詳細な第一原理モデルであっても、システムのダイナミクスを完全には捉えきれていないことを示した。実世界の誤差は、シミュレーションが予測しない方法で振る舞っていたのである。これは決定的な発見であった。従来のメソッドであれば、データをモデルに無理やり適合させ、真の問題の複雑さを隠したまま、精密ではあるが誤解を招くようなエラー予算を提示していただろう。代わりに、この新しいフレームワークは、そのギャップを認めることで、現在の理解が不完全であるという定量的な証拠を提供したのである。

研究者たちは、ツー量子ビットゲートにおける主要なエラーは、おそらく制御パルスの不完全さと、カプラーが量子ビットと相互作用する特有の方法に関連していると考えているが、高い不確実性は、モデル化されていない他の要因が働いていることを示唆していた。これらには、電気信号の微妙な歪みや、まだ調査していない周波数における環境との相互作用が含まれる可能性がある。この研究は、現在のハードウェアが驚異的である一方で、大規模な量子コンピューティングへの道には、より優れたハードウェアだけでなく、それを理解するためのより優れた方法が必要であることを浮き彫りにした。何を知っていて、何を知らないのかを区別する能力は、測定そのものと同じくらい重要である。

この研究は、量子ハードウェアの特性評価における重要な前進を意味している。エラー予算の算出を単純な計算ではなく、学習問題として扱うことで、研究者たちは強力かつ誠実なツールを作り上げた。これにより、科学者は複雑な実験から詳細な洞察を引き出すと同時に、モデルが不十分である場合に警告を受けることができる。量子プロセッサが、より多くの量子ビットとより複雑な相互作用を伴ってスケールアップし続ける中で、これらの知識のギャップを検出する能力は不可欠となる。このフレームワークは、単にエンジニアに何が間違っているかを教えるだけでなく、彼らの知識がどこで終わるのかを教え、欠けているピースを埋めるために必要な次の実験へと導いてくれるのである。信頼できる量子コンピュータを構築するというレースにおいて、自分が何を知らないのかを知ることは、問題を解決するための第一歩である。