High-Order Hermite Optimization: Fast and Exact Gradient Computation in Open-Loop Quantum Optimal Control using a Discrete Adjoint Approach

Technische Samenvatting: High-Order Hermite Optimalisatie voor Quantum Optimal Control

Probleemstelling
Quantum Optimal Control (QOC) beoogt het manipuleren van kwantumsystemen om specifieke logische poorten te implementeren door middel van het optimaliseren van controlepulsen (bijv. microgolf- of laseramplitudes). Een centrale uitdaging in QOC is het efficiënt en exact berekenen van gradiënten voor de objectieffunctie (doorgaans de gate-infidelity) om optimalisatie-algoritmen zoals L-BFGS aan te sturen.

Bestaande methoden kampen met een afruil tussen nauwkeurigheid en computationele kosten:

• Stuksgewijs constante benaderingen (bijv. GRAPE): Veronderstellen dat controlepulsen constant zijn over tijdstappen. Hoewel dit een analytische afleiding van de gradiënt mogelijk maakt, resulteert dit in een groot aantal controleparameters (gelijk aan het aantal tijdstappen) en pulsen met een "hoge bandbreedte" die experimenteel moeilijk te realiseren zijn.
• Gladde, geparametriseerde benaderingen (bijv. GOAT, CRAB): Gebruiken continue basisfuncties (zoals splines) om het aantal parameters te verminderen en produceren gladdere pulsen. Echter, standaard gradiëntgebaseerde methoden vereisen vaak het oplossen van een initiële waardeprobleem voor elke controleparameter (forward-mode differentiatie), wat de berekening van de gradiënt inefficiënt maakt ($O(N_{params})$).
• Automatic Differentiation (AD): Hoewel reverse-mode AD gradiënten efficiënt kan berekenen, vereist het opslag van de volledige computationele graaf en tussenliggende variabelen. Voor grote kwantumsystemen (vooral open systemen) leidt dit tot een geheugengebruik dat slecht schaalt met de systeemgrootte en het aantal tijdstappen, waardoor optimale controle van grote systemen onhaalbaar wordt.

Methodologie: High-Order Hermite Optimization (HOHO)
De auteurs introduceren de High-Order Hermite Optimization (HOHO) methode, een open-loop discrete adjoint-benadering die ontworpen is om exacte gradiënten te berekenen voor continue, geparametriseerde controlepulsen, terwijl gebruik wordt gemaakt van willekeurig hoog-orde numerieke methoden voor het oplossen van de voortwaartse vergelijkingen (Schrödinger- of Lindblad-meestervergelijkingen).

Kerncomponenten van de methodologie zijn:

1. Hermite Runge-Kutta (HRK) Integratie: De voortwaartse vergelijkingen worden opgelost met HRK-methoden. In tegenstelling tot standaard Runge-Kutta-methoden maken HRK-methoden gebruik van Hermite-interpolatie, waarbij knopen aan het begin en einde van tijdsintervallen samenkomen. Dit stelt de methode in staat om een hoge orde van nauwkeurigheid te bereiken ($2p$ voor $p=q$) terwijl een A-stabiele structuur behouden blijft die geschikt is voor stijve (stiff) kwantumsystemen.
2. Discrete Adjoint Formulering: De auteurs leiden een discrete adjoint-methode af die specifiek is voor het HRK-schema. Door de tijdstapregel als een beperking in een Lagrangiaans kader te behandelen, leiden zij de backward-evolutievergelijkingen af voor de adjoint-toestand ($\lambda$). Dit zorgt ervoor dat de berekende gradiënten exact zijn ten opstaan tegen de specifieke numerieke discretisatie die wordt gebruikt, wat cruciaal is voor de convergentie van quasi-Newton optimalisatoren.
3. Efficiënte Gradiënt Accumulatie: Een nieuwe bijdrage is de afleiding van technieken om de gradiënt-accumulatie (de laatste stap van de adjoint-methode) te berekenen, zodanig dat het aantal matrix-vectorvermenigvuldigingen onafhankelijk is van het aantal controleparameters ($N_P$). Door de lineaire structuur van de controlehamiltoniaan ($H(t) = H_d + \sum c_j(t) H_j$) uit te buiten, reduceert de methode de computationele kosten van de gradiënt-accumulatie tot een afhankelijkheid van het aantal controlekanalen ($N_C$), en niet van het totaal aantal parameters.
4. Geheugenbeheer: De methode slaat de volledige geschiedenis van de toestand op om exacte gradiënten te garanderen. Om de geheugenkosten te beperken, gebruiken de auteurs een "memory-lean" alternatief (het opnieuw oplossen van de voortwaartse vergelijkingen tijdens de adjoint-pass) of checkpointing, hoewel hun primaire experimenten gebruikmaken van volledige opslag om de exactheid van de gradiënten te garanderen.
5. Preconditionering: Voor de lineaire systemen die worden opgelost tijdens de impliciete tijdstap, stellen de auteurs een linker preconditioner voor op basis van de drift-Hamiltoniaan ($H_d$), die vaak diagonaal is. Dit versnelt de convergentie van iteratieve solvers (zoals GMRES) die worden gebruikt in zowel de voortwaartse als de adjoint-evoluties aanzienlijk.

Belangrijkste Bijdragen

• Eerste van zijn soort: HOHO is de eerste methode die efficiënt exacte discrete gradiënten kan berekenen voor continue, geparametriseerde controlepulsen terwijl voortwaartse vergelijkingen worden opgelost met willekeurig hoog-orde numerieke methoden.
• Algoritmische Afleiding: Het artikel biedt een rigoureuze afleiding van de discrete adjoint-vergelijkingen voor Hermite Runge-Kutta-methoden van willekeurige orde, inclusclusief recursieve formules voor hogere-orde afgeleiden en efficiënte strategieën voor gradiënt-accumulatie.
• Software Implementatie: De methode is geïmplementeerd in QuantumGateDesign.jl, een open-source Julia-package.
• Schaalbaarheid: De benadering ontkoppelt de kosten van de gradiëntberekening van het aantal controleparameters en vermindert de geheugenoverhead in vergelijking met reverse-mode AD, wat de simulatie van grotere, stijvere kwantumsystemen mogelijk maakt.

Resultaten
De auteurs valideren de methode via numerieke experimenten:

• Correctheid: Bij een Rabi-oscillator probleem convergeren de discrete adjoint-gradiënten naar de analytische gradiënten van het continue probleem met machineprecisie naarmate de tijdstapgrootte afneemt, wat de exactheid van de afleiding bevestigt.
• Convergentie: De HRK-methoden vertonen hun theoretische convergentieorde (ordes 2 tot 12) bij het oplossen van de Schrödinger-vergelijking.
• Prestaties (Versnelling): In een gate-design probleem voor een CNOT-poort op twee qudits gekoppeld aan een resonator:
  • Vergeleken met de Störmer-Verlet-methode (zoals geïmplementeerd in Juqbox.jl) behaalde HOHO versnellingen variërend van 3x tot 775x, afhankelijk van de doelnauwkeurigheid en de orde van de methode die werd gebruikt.
  • Voor een doelstelling van een relatieve eindtoestandfout van $10^{-7}$, bereikte de meest tijd-efficiënte configuratie (12e-orde methode) een versnelling van 775x.
  • Geheugenefficiëntie: Hogere-orde methoden vereisten aanzienlijk minder tijdstappen om dezelfde nauwkeurigheid te bereiken, wat leidde tot geheugenreducties van wel 44.520x vergeleken met lagere-orde methoden die veel langere toestandshistorieën zouden moeten opslaan.
• Optimalisatie-efficiëntie: Het vermogen om gradiënten sneller te berekenen, stelde de optimizer (IPOPT) in staat om meer iteraties uit te voeren binnen een vaste wandkloktijd, waardoor lagere gate-infidelities werden bereikt dan lagere-orde methoden binnen dezelfde tijdspanne konden bereiken.

Betekenis en Claims
Het artikel beweert dat HOHO een significante vooruitgang vormt in de state-of-the-art voor discrete adjoint QOC. Door het gebruik van hoog-orde numerieke methoden met gladde, geparametriseerde controles mogelijk te maken, adresseert de methode de "stijfheid" van kwantumsystemen en de experimentele beperkingen op de bandbreedte van controlepulsen.

De auteurs benadrukken dat hun methode bijzonder waardevol is voor:

• Stijve Systemen: Hogere-orde methoden zijn essentieel voor het nauwkeurig simuleren van systemen met sterk variërende tijdschalen zonder excessieve computationele kosten.
• Langdurige Controle: De methode is goed geschikt voor problemen die beperkt worden door Quantum Speed Limits (QSL) of Minimum Control Times (MCT), waarbij lange simulatietijden vereist zijn. Hogere-orde methoden behouden de nauwkeurigheid over lange perioden waar lagere-orde methoden kunnen driften.
• Exacte Gradiënten: De levering van exacte discrete gradiënten wordt benadrukt als cruciaal voor de stabiliteit en convergentie van tweede-orde optimalisatie-algoritmen, om het verlies van kromminginformatie (curvature information) te voorkomen dat kan optreden bij benaderde gradiënten.

Het werk claimt niet de fundamentele fysica van kwantumdecoherentie op te lossen of de experimentele closed-loop controle te vervangen, maar biedt een zeer efficiënte computationele tool voor de ontwerpfase van kwantumpoorten, waarmee de kloof tussen theoretische modellen en experimentele realiseerbaarheid wordt overbrugd.