Quantum Feature Space of a Qubit Coupled to a Classical Stochastic Environment

Quantumcomputers houden de belofte in om problemen op te lossen die momenteel onmogelijk zijn voor zelfs de krachtigste supercomputers. Deze machines zijn echter ongelooflijk fragiel. De basisunits van informatie, bekend als qubits, worden gemakkelijk verstoord door hun omgeving. Net zoals een tol uiteindelijk wiebelt en valt door wrijving met de lucht of de tafel, verliest een qubit zijn informatie wanneer deze interageert met ongewenste ruis uit zijn omgeving. Dit verlies van coherentie is het belangrijkste obstakel dat voorkomt dat quantumcomputers betrouwbare hulpmiddelen worden. Om dit op te lossen, moeten wetenschappers de specifieke aard begrijpen van de ruis die hun machines beïnvloedt. Traditioneel gezien is het uitzoeken van precies wat voor soort ruis aanwezig is, een traag, middelenintensief proces geweest, waarbij de computer duizenden licht verschillende tests moet uitvoeren om het probleem in kaart te brengen.

Een team onderzoekers heeft nu een snellere, eenvoudigere manier voorgesteld om deze verstoringen te diagnosticeren. In plaats van uitputtende tests uit te voeren om een volledige kaart van de ruis te reconstrueren, hebben zij een methode ontwikkeld die een kleine, specifieke set aanwijzingen extraheert uit één enkele, standaard testsequentie. Door deze aanwijzingen in een simpel computerprogramma in te voeren, kunnen ze snel de brede categorie ruis identificeren die de qubit beïnvloedt en zelfs specifieke kenmerken aanwijzen, zoals de frequentie van een bepaalde verstoring. In simulaties die inclusief realistische hardwarefouten waren, identificeerde deze nieuwe aanpak het type ruis ongeveer 90 procent van de tijd, wat een potentiële afkorting biedt om quantumhardware af te stemmen en functioneel te houden.

De uitdaging bij het draaiende houden van een quantumcomputer is dat ruis geen enkelvoudig, statisch probleem is; het verandert in de loop van de tijd en varieert van de ene machine naar de andere. Om dit te bestrijden, gebruiken wetenschappers een techniek genaamd dynamische ontkoppeling (dynamical decoupling), wat inhoudt dat er een reeks controlepulsen op de qubit wordt toegepast om deze af te schermen van de omgeving. In het verleden moesten onderzoekers om de ruis te begrijpen, deze pulssequenties uitvoeren met veel verschillende tijdsvertragingen, waarbij enorme hoeveelheden gegevens werden verzameld om een compleet beeld van het ruisspectrum op te bouwen. Dit proces is als het proberen te identificeren van een liedje door elke enkele noot te beluisteren die op elke mogelijke snelheid wordt gespeeld, wat veel tijd kost en de beperkte levensduur van de fragiele quantumhardware verbruikt. Recentere pogingen om dit te versnellen maakten gebruik van complexe kunstmatige intelligentiemodellen, maar deze modellen waren op zichzelf moeilijk te trainen en vereisten enorme hoeveelheden gegevens, wat een nieuwe flessenhals creëerde.

De onderzoekers achter deze nieuwe studie, geleid door Chris Wise en collega's, besloten zowel de uitputtende testen als de zware kunstmatige intelligentie te omzeilen. Ze richtten zich op een concept dat ze een "quantum feature space" noemen. Stel je voor dat je een enkele snapshot maakt van het gedrag van de qubit nadat deze aan een specifieke controlesequentie is onderworpen. In plaats van te proberen de volledige ruishistorie te reverse-engineeren, keken ze naar negen specifieke getallen die beschrijven hoe de qubit reageerde. Deze negen getallen vangen de essentiële interactie tussen de qubit en zijn ruisgevoelige omgeving. Door deze negen getallen in een gestructureerde lijst te organiseren, creëerden ze een compacte signatuur van de ruis. Deze signatuur is rijk genoeg om het verschil te zien tussen verschillende soorten ruis, zoals de veelvoorkomende laagfrequente brom in supergeleidende circuits versus andere, meer complexe patronen, zonder dat de volledige details van de ruis bekend hoeven te zijn.

Om te testen of dit idee werkte, voerde het team uitgebreide computersimulaties uit. Ze creëerden een virtuele quantumcomputer en onderwierpen deze aan diverse soorten ruis, waaronder de veelvoorkomende 1/f-ruis en ruis met specifieke resonantiepieken. Ze simuleerden ook de soorten fouten die in echte machines optreden, zoals lichte trillingen in de timing van de controlepulsen en fouten bij het uitlezen van de uiteindelijke staat van de qubit. Vervolgens voedden ze de negen-getallen-signaturen uit deze simulaties in een eenvoudig machine learning algoritme dat bekend staat als een random forest. Dit algoritme is veel minder complex dan de diepe neurale netwerken die in eerdere studies werden gebruikt. De resultaten waren opmerkelijk: het eenvoudige algoritme classificeerde het type ruis met ongeveer 90 procent nauwkeurigheid, zelfs wanneer de gesimuleerde hardware aanzienlijk was aangetast door fouten. Het was ook in staat om te bepalen of de ruis constant over de tijd bleef of veranderde, met bijna perfecte nauwkeurigheid.

Naast het louter sorteren van ruis in categorieën, toonden de onderzoekers aan dat deze methode ook specifieke details kon identificeren. Als de ruis een specifieke resonantie bevatte, zoals een piek op een bepaalde frequentie, kon het team deze vinden door de negen-getallen-signatuur van de onbekende ruis te vergelijken met een bibliotheek van bekende signaturen. Ze ontdekten dat de afstand tussen de onbekende signatuur en de juiste overeenkomst in hun bibliotheek het kleinst was, waardoor ze de exacte frequentie van de verstoring konden aanwijzen. Dit suggereert dat de methode gebruikt kan worden om controlepulsen snel af te stemmen om specifieke ruisbronnen te elimineren, een proces dat cruciaal is voor het verbeteren van de prestaties van quantumcomputers.

De studie sluit expliciet de noodzaak uit van de dure, data-hongerige neurale netwerken die in de afgelopen jaren populair zijn geworden. De auteurs stellen dat die complexe modellen vaak overdreven zijn voor deze taak en niet goed schalen naarmiddels quantumcomputers groter worden. In plaats daarvan laat hun aanpak zien dat een eenvoudig, efficiënt algoritme gecombineerd met een enkele pulssequentie voldoende is voor de klus. Ze verduidelijkten ook dat hoewel hun methode uitstekend is voor het identificeren van brede ruisklassen en specifieke parameters, deze niet ontworpen is om de volledige continue vorm van het ruisspectrum met perfect detail te reconstrueren. Het doel is niet om een perfecte lijngrafiek van de ruis te tekenen, maar om snel de praktische vragen te beantwoorden: wat voor soort ruis is dit, en waar zitten de probleemgebieden?

Dit werk blijft binnen het domein van simulatie, wat betekent dat de resultaten zijn gegenereerd op klassieke computers die quantumgedrag modelleren, in plaats van op fysieke quantumhardware. De simulaties waren echter rigoureus en bevatten realistische foutpercentages en hardwarebeperkingen die de huidige stand van de techniek nabootsen. De auteurs merken op dat de volgende stap is om deze sequenties op daadwerkelijke quantumprocessors uit te voeren om te zien hoe de methode standhoudt tegen de onvoorspelbare crosstalk en omgevingsfactoren van real-world apparaten. Indien succesvol, zou deze techniek een standaard diagnostisch hulpmiddel kunnen worden, waardoor ingenieurs snel de gezondheid van hun quantummachines kunnen controleren en hun controles in realtime kunnen aanpassen, om de fragiele qubits voor langere perioden coherent te houden.