Detection of noise correlations in two qubit systems by Machine Learning

Titel: Detectie van ruiscorrelaties in twee-qubitsystemen door Machine Learning

Auteurs: Dario Fasone et al.
Datum: 23 april 2026 (voorgesteld)

1. Het Probleem

De nauwkeurige controle van kwantumsystemen is essentieel voor de ontwikkeling van quantumcommunicatie en -computing. Een grote uitdaging blijft echter het verlies van fideliteit door decoherentie, veroorzaakt door interacties met de omgeving.

• Ruiscorrelaties: In opgeschaalde quantumarchitecturen (zoals vaste-stofsystemen) zijn tijd- en ruimtelijk gecorreleerde ruisbronnen (bijv. door onzuiverheden in substraten of gedeelde controlelijnen) een kritiek probleem.
• Beperkingen van bestaande methoden: Standaard protocollen voor quantumfoutcorrectie (QEC) gaan vaak uit van ongerelateerde fouten, wat niet altijd geldt. Bestaande spectroscopische methoden om deze correlaties te karakteriseren vereisen aanzienlijke experimentele overhead, complexe data-verwerking en vaak tijdreeksmetingen (real-time monitoring).
• Doel: Er is behoefte aan een methode die met minimale experimentele middelen zowel de temporele (Markoviaans vs. niet-Markoviaans) als ruimtelijke (gecorreleerd, anti-gecorreleerd, ongecorreleerd) aard van ruis kan classificeren.

2. Methodologie

De auteurs stellen een machine learning (ML)-geassisteerd quantum-sensingsprotocol voor dat gebruikmaakt van een aangedreven twee-qubitsysteem als sensor.

A. Het Kwantumsysteem

• Model: Twee ultrastrongly gekoppelde qubits met Ising-xx interactie.
• Controle: Het systeem wordt gemanipuleerd via een protocol geïnspireerd op STIRAP (Stimulated Raman Adiabatic Passage). Dit omvat lokale aandrijvingen ($W_1(t)$ en $W_2(t)$) op de qubits.
• Dynamica: In een ideaal scenario (zonder ruis) zorgt STIRAP voor een coherente populatietransfer van de grondtoestand $|gg\rangle$ naar de dubbel-geëxciteerde toestand $|ee\rangle$ via een "donkere toestand", waarbij de tussenliggende toestand niet wordt bevolkt.

B. Ruismodellen

Er worden zes klassen van klassieke ruis gedefinieerd, variërend in tijd- en ruimtelijke correlaties:

1. Niet-Markoviaans (Kwasi-statisch): Ruis met een correlatietijd langer dan de protocolduur (bijv. $1/f$-ruis).
   • Gecorreleerd ($\delta_2 = \eta \delta_1, \eta > 0$)
   • Anti-gecorreleerd ($\delta_2 = \eta \delta_1, \eta < 0$)
   • Ongecorreleerd (onafhankelijk)
2. Markoviaans (Delta-gecorreleerd): Ruis die geen geheugen heeft.
   • Gecorreleerd, Anti-gecorreleerd, en Ongecorreleerd varianten.

C. Het Sensing-Protocol

In plaats van de volledige ruis te reconstrueren, meten de auteurs alleen de efficiëntie van de populatietransfer (de eindpopulatie van $|ee\rangle$) onder drie verschillende aandrijvingscondities (verschillende verhoudingen van de piek-amplitudes van de pulsen $\Omega_p$ en $\Omega_s$).

• Input voor ML: Een 3-dimensionale feature-vector bestaande uit de drie gemeten efficiëntiewaarden.
• Voordeel: Dit vereist geen tijdreeksdata of continue monitoring, wat de experimentele last drastisch verlaagt.

D. Machine Learning Model

• Architectuur: Een Supervised Learning aanpak met een Multi-Layer Perceptron (MLP).
• Netwerk: Een ondiep neurale netwerk met 3 invoerneuronen, drie verborgen lagen (64, 32, 32 neuronen) en een outputlaag van 6 neuronen (voor de 6 ruisclasses).
• Training: Het model wordt getraind op synthetische data gegenereerd door numerieke simulaties van de kwantumdynamica (inclusief de Lindblad-mastervergelijking voor Markoviaanse ruis).

3. Belangrijkste Bijdragen

1. Minimalisatie van Experimentele Middelen: Het protocol vereist slechts drie metingen (eindpopulaties onder drie condities) in plaats van uitgebreide spectroscopie of tijdreeksanalyse.
2. Uitbuiting van Imperfecties: Het ML-model leert informatie te extraheren uit de "niet-ideale" aspecten van het STIRAP-protocol. Ruis verstoort de destructieve interferentie die normaal de tussenliggende toestand leeg houdt, wat leidt tot meetbare veranderingen in de efficiëntie die als vingerafdruk van de ruis dienen.
3. Discriminatie van Markoviaanse Ruimtelijke Correlaties: In tegenstelling tot eerdere werken met drie-niveau systemen, toont dit twee-qubitsysteem aan dat ruimtelijke correlaties van Markoviaanse ruis ook kunnen worden onderscheiden. Dit komt door de ruis-geïnduceerde menging van toestanden in het volledige 4-niveau Hilbertruimte.
4. Algemene Toepasbaarheid: Het ontwerp is geschikt voor diverse platforms, waaronder supergeleidende qubits, gevangen ionen en quantumdots.

4. Resultaten

• Classificatie Nauwkeurigheid: Het model bereikt een classificatienauwkeurigheid van $\gtrsim 94\%$ op de testset.
• Markov vs. Non-Markov: De onderscheiding tussen Markoviaanse en niet-Markoviaanse ruis is bijna perfect (99% nauwkeurigheid).
• Ruimtelijke Correlaties:
  • Voor niet-Markoviaanse ruis: 97,3% nauwkeurigheid.
  • Voor Markoviaanse ruis: 91,7% nauwkeurigheid.
• Robuustheid: De nauwkeurigheid blijft boven de 80% voor een breed scala aan koppelingsterktes ($g$) tussen de qubits, met een piek bij $g = 0.6\epsilon$.
• Confusiematrix: De analyse toont aan dat het model de verschillende ruisclasses betrouwbaar van elkaar kan scheiden, zelfs wanneer de statistieken complex zijn.

5. Betekenis en Toekomstperspectief

• Snelheid en Efficiëntie: Deze methode biedt een snelle manier om globale eigenschappen van ruis in quantumhardware te karakteriseren zonder zware experimentele lasten. Het kan dienen als een voorstap voor fijnere ruis-schattingen.
• Schalbaarheid: De aanpak is schaalbaar naar grotere arrays van qubits, wat rijkere "vingerafdrukken" van collectieve fenomenen kan opleveren.
• Synergie: Het artikel benadrukt de kracht van het combineren van geavanceerde kwantumcontrole (zoals STIRAP) met machine learning. Dit kan de diagnose van quantumhardware significant verbeteren en bijdragen aan de ontwikkeling van robuustere quantumcomputers in de NISQ- (Noisy Intermediate-Scale Quantum) en daarbuiten era.

Conclusie: De auteurs demonstreren succesvol dat een eenvoudig, ML-gedreven protocol, gebaseerd op minimale metingen van een coherente populatietransfer, in staat is om complexe temporele en ruimtelijke ruispatronen in twee-qubitsystemen met hoge precisie te classificeren.