Active Learning for Calibrating Entangling Gates via Surrogate-Based Optimization

技術要約：サロゲートモデルに基づく最適化による、もつれゲートのキャリブレーションのための能動学習

問題提起
高フィデリティな量子ゲート操作は、近未来の量子優位性およびフォールトトレラントな誤り訂正に不可欠である。しかし、高フィデリティを実現するには、ハミルトニアンを定義する古典的な制御パラメータの精密なキャリブレーションが必要となる。理論的なモデルは存在するものの、実際のハードウェア上に実装されるハミルトニアンは、古典的な制御インフラにおける未知の、潜在的に非線形な伝達関数によって、理想的な状態から逸脱することがある。逐次的なパラメータ・スィープや、正確なフォワードモデル（例：正確な理論モデルを用いたベイズ・キャリブレーション）に依存する最適化手法といった従来のキャリブレーション手法は、重大な限界に直面している。これらには、システムサイズに対するスケーラビリティの低さ、古典的シミュレーションの高コスト、および定期的な再キャリブレーションなしではハードウェアのドリフトに対処できないといった問題が含まれる。さらに、量子システムはノイズが多くデータが少ない領域で動作するため、ニューラルネットワークのようなデータ集約的なアプローチは実用的ではない。核心となる課題は、測定ノイズを許容し、実験系の正確な物理モデルを持たずに、いかに効率的に最適な制御パラメータを特定するかである。

手法
著者らは、ガウス過程（GP）をサロゲートモデルとして利用するベイズ最適化（BO）に基づいた能動学習フレームワークを提案している。このアプローチは、限られた数のノイズを含む測定値を用いて、キャリブレーションのランドスケープを探索するように設計されている。

• サロゲートモデリング: フレームワークは、未知のキャリブレーション・ランドスケープ $f(x)$ をモデル化するためにGPを採用している。ここで $x$ は制御パラメータ（ラビ周波数 $\Omega$、サイドバンド・デチューニング $\delta$、およびセンターライン・デチューニング $\omega_{cl}$）のベクトルを表す。標準的なGPとは異なり、この実装ではヘテロスケダスティック（不等分散）ノイズモデルを使用している。測定ノイズ $\epsilon_i$ は、制御設定と測定ショット数 $N$ に依存する分散を持つゼロ平均ガウス分布としてモデル化されており、これは量子射影ノイズの物理特性を反映している。
• ベイズ最適化ループ: 最適化プロセスは、以下の3つのステップを反復する。
  1. サロゲートの更新: GPの後験分布は、新しい実験データ（制御パラメータと測定されたスコア）を用いて更新され、タイプII最大尤度法によりハイパーパラメータ（長さスケール、信号分散、ノイズのスケーリング）を最適化する。
  2. 能動学習による獲得: 獲得関数、具体的には上側信頼限界（UCB）が、次の実験構成を選択する。この関数は、「活用（高い予測フィデリティを持つ領域のサンプリング）」と「探索（高い不確実性を持つ領域のサンプリング）」のバランスを取り、グローバルな最適解を効率的に特定する。
  3. 物理的評価: 選択されたパラメータが量子システム（本研究ではシミュレーションによる）に適用され、その結果得られるゲート・フィデリティ・スコアが測定される。
• シミュレーション環境: 本手法は、トラップされたイオンのMølmer-Sørensen（MS）ゲートを用いたシミュレーションによって検証されている。シミュレーションでは、IonSim.jl を使用して2つの $^{40}\text{Ca}^+$ イオンをモデル化しており、オフレゾナントなキャリア励起と矩形パルス効果を組み込んでいるが、量子射影ノイズの影響を分離するためにデコヒーレンスは無視している。キャリブレーション・シーケンスは、量子ビットを $|gg\rangle$ に初期化し、2つのMSゲートを適用し、$|ee\rangle$ 状態の確率（$P_{ee}$）をスコアとして測定する手順を含む。

主な貢献

• モデルフリーのキャリブレーション: 本論文は、データ駆動型のGPサロゲートに依存することで、量子システムの検証済みフォワードモデルを必要としないキャリブレーション・プロトコルを実証している。
• ヘテロスケディasticノイズの処理: 著者らは、観測の分散が制御パラメータと測定ショット数に依存するノイズモデルを統合しており、量子射影ノザがランドスケープ全体で変化することを認めている。
• 能動学習の効率性: フレームワークは、能動学習を利用してゲートの最適パラメータの発見を加速させ、GPがノイズの多いデータで訓練されても、空間的な滑らかさを強制することによってシステムを効果的に「デノイズ」できることを示している。
• 限界の定量化: 本研究は、有限ショットの量子射影ノイズによって課されるフィデリティの飽和限界を明示的に特徴付けており、アルゴリズムの収束と物理的な測定限界を区別している。

結果
著者らは、トラップされたイオンのMSゲートの数値シミュレーションを通じて、この手法を検証した：

• サロゲートの精度: GPサロゲートは制御ランドスケープを正常にモデル化した。トレーニングポイント（$m$）および測定ショット数（$N$）を増やすことで、精度が向上した。特筆すべき点として、$m$ が大きい場合、GPの平均値は相関のない射影ノイズをフィルタリングすることができ、データの平均ノイズレベルを下回る平方根平均二乗誤差（RMSE）を達成した。
• 最適化の収束:
  • パラメータ範囲: パラメータの初期不確実性範囲を縮小すると（例：$\pm 10$ kHz から $\pm 1$ kHz へ）、収束までの時間が大幅に短縮され、最適化経路の分散が減少した。しかし、オプティマイザはフルスケールの探索ドメイン（$r=1.0$）においても、グローバルな最適解を見つけ出すのに十分な堅牢性を保持していた。
  • ショット予算: 最適化のフィデリティは、評価あたりのショット数（$N$）に基づいて飽和した。この飽和は、期待されるスケーリング $1 - Q \approx Q_\infty + \gamma N^{-1/2}$ に従っていた。$N=100$ ショットという低い予算であっても、オプティマイザは $\sim 10^{-3}$ のフィデリティ・フロアに確実に到達したが、それ以上の反復を行っても有限ショットの限界を下回ることはできなかった。
  • パラメータの精度: 周波数パラメータ（$\omega_{cl}$ および $\delta$）は理想値の数十Hz以内で収束し、ラビ周波数（$\Omega$）は最小限の分散で理想的な比率へと収束した。
• 可視化: 能動学習プロセスは、ランドスケープをインテリジェントにサンプリングし、最適領域の周囲に測定を集中させ、周波数のピーク付近の不確実性を絞り込む一方で、振幅のランドスケープは選択されたキャリブレーション・シーケンスにおける感度の低さにより、より広範なまま維持されることが示された。

意義と主張
本論文は、量子キャリブレーションおよび制御のための能動学習とサロゲートモデルの有用性を確立している。著者らは、モデルフリーのアプローチが「自動化されたゲート保守への軽量なルート」を提供し、キャリブレーションのドリフトに対処し、詳細な物理モデルなしで動作できると主張している。結果は、ガウス過程ベイズ最適化が、ノイズが多くコストのかかる量子制御タスクにとって実用的なツールであることを示唆している。本研究は、リソース効率の高いキャリブレーションが可能である一方で、最終的なフィデリティは測定プロセスに固有の量子射影ノイズによって制限されることを強調している。著者らは、本手法を、スケーリングする量子システムを特徴付け、キャリブレーションし、制御するための基礎的なステップとして位置付けており、今後の課題として、現実世界の非理想性と、古典的シミュレーションと量子測定を組み合わせたマルチフィデリティ・アプローチへの対応を挙げている。