Characterizing Physical Error Contributions of Quantum Gates

De zoektocht naar het bouwen van een nuttige kwantumcomputer is een race tegen het onzichtbare. In het hart van deze machines bevinden zich kwantumbits, of qubits, die informatie vasthouden in een fragiele staat van superpositie, waardoor ze berekeningen kunnen uitvoeren die klassieke supercomputers millennia zouden kosten. Deze kracht gaat echter gepaard met een ernstige zwakte: de kleinste verstoring uit de omgeving—een rondvliegend magnetisch veld, een fluctuatie in temperatuur of een piepkleine imperfectie in de besturingselektronica—kan ervoor zorgen dat de qubit zijn informatie verliest. Dit verlies, bekend als ruis, is het primaire obstakel dat voorkomt dat kwantumcomputers hun volledige potentieel bereiken. Om het probleem op te lossen, moeten wetenschappers eerst precies begrijpen waar de fouten vandaan komen. Het is niet genoeg om te weten dat een berekening is mislukt; ingenieurs moeten weten of de mislukking werd veroorzaakt door het verlies van energie in de qubit, door een besturingssignaal dat iets te lang duurde, of door een trage, drijvende ruis die zich in de loop van de tijd opstapelt. Zonder een precieze kaart van deze foutbronnen is het verbeteren van de hardware als het proberen te repareren van een complexe motor terwijl je geblinddoekt bent.

Een team onderzoekers van IQM Quantum Computers en de Ludwig-Maximilians-Universität München heeft een nieuwe manier ontwikkeld om deze kaart te creëren, een methode die niet alleen de fouten identificeert, maar wetenschappers ook vertelt hoeveel ze de identificatie kunnen vertrouwen. In een studie gericht op een specif으로 type supergeleidende kwantumprocessor, pasten de onderzoekers hun methode toe om de prestaties van zowel single-qubit gates als two-qubit gates te meten, de fundamentele operaties die kwantuminformatie manipuleren. Ze ontdekten dat hoewel ze de bronnen van fouten voor single-qubit operaties met een hoge mate van vertrouwen konden aanwijzen, hetzelfde niveau van zekerheid niet mogelijk was voor de complexere two-qubit gates. Cruciaal was dat hun methode deze onzekerheid niet verborg; in plaats daarvan markeerde het dit als een waarschuwingssignaal dat hun huidige begrip van de fysica incompleet was. Deze aanpak markeert een verschuiving van simpelweg raden waar fouten vandaan komen naar een rigoureus, datagestuurd proces dat toegeeft wanneer het model een stukje van de puzzel mist.

Om de uitdaging te begrijpen, moet men kijken naar hoe kwantumcomputers momenteel worden getest. Traditioneel voeren wetenschappers een reeks experimenten uit om te meten hoe lang een qubit zijn staat kan vasthouden of hoe nauwkeurig hij een rotatie uitvoert. Vervolgens voeren ze deze getallen in een wiskundig model in om te schatten hoeveel elke factor bijdraagt aan de totale fout. Dit proces gaat ervan uit dat het model perfect is en dat de fouten onafhankelijk van elkaar zijn. Echter, in de echte wereld van supergeleidende circuits zijn fouten vaak verbonden, complex en veranderen ze in de loop van de tijd. Een model dat ervan uitgaat dat alles eenvoudig en onafhankelijk is, kan een nauwkeurig ogend getal produceren, maar dat getal kan volkomen onjuist zijn als de onderliggende aannames gebrekkig zijn. De onderzoekers realiseerden zich dat het vertrouwen op deze statische modellen riskant was, vooral naarmate kwantumprocessors groter en complexer worden. Ze hadden een manier nodig om direct van de data te leren, terwijl ze constant controleerden of hun aannames standhielden.

De oplossing die zij voorstelden is een op leren gebaseerd framework dat fungeert als een brug tussen de fysieke wereld en het computermodel. In plaats van te proberen de complexe vergelijkingen voor elk nieuw experiment op te lossen, bouwde het team eerst een zeer gedetailleerde simulatie van hun kwantumprocessor. Deze simulatie omvatte elke bekende foutbron, van het natuurlijke verval van energie in de qubits tot de subtiele, trage fluctuaties van magnetische velden die over de tijd driften. Ze voerden duizenden virtuele experimenten uit binnen deze simulatie en legden de uitkomsten en de specifieke foutbijdragen voor elk scenario vast. Met behulp van deze enorme dataset trainden ze een machine learning-tool genaamd Gaussian Process Regression. Deze tool leerde patronen te herkennen en memoriseerde effectief de relatie tussen de ruwe experimentele data en de specifieke fysieke fouten die hen hadden veroorzaakt. Eenmaal getraind, kon deze tool een nieuwe set real-world metingen nemen en onmiddellijk de foutenbudget, of de uitsplitsing van waar de fouten vandaan komen, voorspellen.

Wat deze methode bijzonder krachtig maakt, is het vermogen om de eigen betrouwbaarheid te meten. De machine learning-tool geeft niet alleen één antwoord; het biedt een bereik van onzekerheid. Als de real-world data erg lijkt op de data die de tool tijdens de training zag, is de onzekerheid laag en is de voorspelling betrouwbaar. Maar als de real-world data zich op een manier gedraagt die de simulatie nooit heeft gezien, schiet de onzekerheid van de tool omhoog. Deze piek is geen falen van de methode; het is een feature. Het dient als een diagnostisch signaal dat de onderzoekers vertelt dat hun fysieke model iets belangrijks mist. Het is het verschil tussen een weersverwachting die met vertrouwen zonneschijn voorspelt terwijl er eigenlijk een storm op komst is, en een voorspelling die zegt: "Ik weet het niet zeker, omdat de omstandigheden anders zijn dan alles wat ik eerder heb gezien."

Het team testte dit framework op een paar qubits in een transmon-array, een veelvoorkomende architectuur voor supergeleidende kwantumcomputers. Ze concentreerden zich op twee soorten operaties: de single-qubit gate, die de staat van één qubit omdraait, en de two-qubit gate, die twee qubits aan elkaar koppelt (entanglement). Voor de single-qubit gates waren de resultaten geruststellend. Het framework slaagde erin het foutenbudget te reconstrueren, waarbij het identificeerde dat de dominante fouten voortkwamen uit het verlies van energie in de qubits en uit kleine imperfecties in de besturingspulsen. De onzekerheid was laag, wat betekende dat het team er vertrouwen in kon hebben dat hun model de fysica van deze operaties accuraat beschreef. Ze konden precies zien hoeveel elke factor bijdroeg aan de totale fout, wat een duidelijk doel bood voor toekomstige verbeteringen.

Het verhaal veranderde toen ze hun aandacht richtten op de two-qubit gates. Deze operaties zijn aanzienlijk complexer, waarbij een derde component betrokken is, genaamd een coupler, die de twee qubits verbindt. Toen de onderzoekers hun framework toepasten op de data van de two-qubit gate, waren de onzekerheidsschattingen hoog. De tool gaf aan dat zelfs hun zeer gedetailleerde, first-principles model, dat complexe non-Markoviaanse ruis en pulsvervormingen bevatte, de dynamiek van het systeem niet volledig kon vatten. De fouten in de echte wereld gedroegen zich op manieren die de simulatie niet voorspelde. Dit was een cruciale bevinding. Een traditionele methode zou de data in het model hebben geforceerd, wat een nauwkeurige maar misleidende foutenbudget zou hebben opgeleverd die de werkelijke complexiteit van het probleem verborg. In plaats daarvan gaf dit nieuwe framework de kloof toe, en leverde het kwantitatief bewijs dat het huidige begrip van two-qubit gate-fouten incompleet is.

De onderzoekers identificeerden dat de dominante fouten in de two-qubit gate waarschijnlijk gerelateerd waren aan imperfecties in de besturingspulsen en de specifieke manier waarop de coupler met de qubits interacteert, maar de hoge onzekerheid suggereerde dat er andere, niet-gemodelleerde factoren in het spel waren. Dit zouden subtiele vervormingen in de elektrische signalen kunnen zijn of interacties met de omgeving op frequenties die ze nog niet hadden onderzocht. De studie benadrukt dat, hoewel de huidige hardware indrukwekkend is, de weg naar grootschalige kwantumcomputing niet alleen betere hardware vereist, maar ook betere manieren om deze te begrijpen. Het vermogen om onderscheid te maken tussen wat bekend is en wat onbekend is, is net zo belangrijk als de metingen zelf.

Dit werk vormt een belangrijke stap voorwaarts in de karakterisering van kwantumhardware. Door foutenbudgettering te behandelen als een leerprobleem in plaats van een eenvoudige berekening, hebben de onderzoekers een tool gecreëerd die zowel krachtig als eerlijk is. Het stelt wetenschappers in staat om gedetailleerde inzichten te extraheren uit complexe experimenten, terwijl het hen tegelijkertijd waarschuwt wanneer hun modellen ontoereikend zijn. Naarmate kwantumprocessors blijven opschalen, met meer qubits en complexere interacties, zal het vermogen om deze hiaten in begrip te detecteren essentieel zijn. Het framework vertelt ingenieurs niet alleen wat er mis is; het vertelt hen waar hun kennis ophoudt, waardoor ze richting de volgende experimenten worden geleid die nodig zijn om de ontbrekende stukjes in te vullen. In de race om een betrouwbare kwantumcomputer te bouwen, is weten wat je niet weet de eerste stap naar het oplossen van het probleem.