Active Learning for Calibrating Entangling Gates via Surrogate-Based Optimization

Technische Samenvatting: Actief Leren voor het Kalibreren van Verstrengelingspoorten via Surrogaat-gebaseerde Optimalisatie

Probleemstelling
Hoge-getrouwheid (high-fidelity) kwantumpoort-operaties zijn essentieel voor nabije kwantumvoordelen en fouttolerante foutcorrectie. Het bereiken van een hoge getrouwheid vereist echter een nauwkeurige kalibratie van de klassieke besturingsparameters die de Hamiltonian van het systeem definiëren. Hoewel er theoretische modellen bestaan, wijkt de werkelijke Hamiltonian die op de hardware wordt geïmplementeerd vaak af van het ideaal door onbekende, potentieel niet-lineaire transferfuncties in de klassieke besturingsinfrastructuur. Traditionele kalibratiemethoden, zoals sequentiële parameter-sweeps of optimalisatie die vertrouwt op nauwkeurige forward-modellen (bijv. Bayesiaanse kalibratie met nauwkeurige theoretische modellen), kampen met aanzienlijke beperkingen. Deze omvatten een slechte schaalbaarheid met de systeemgrootte, hoge computationele kosten voor klassieke simulaties, en het onvermogen om om te gaan met hardware-drift zonder periodieke herkalibratie. Bovendien werken kwantumsystemen in een ruisgevoelige, data-arme regime, waardoor data-hongerige benaderingen zoals neurale netwerken onpraktisch zijn. De kernuitdaging is het efficiënt identificeren van optimale besturingsparameters, waarbij tolerantie wordt getoond voor meetruis en operaties plaatsvinden zonder een exacte fysieke model van het experimentele systeem.

Methodologie
De auteurs stellen een actief leerframework voor gebaseerd op Bayesiaanse Optimalisatie (BO) dat gebruikmaakt van een Gaussian Process (GP) als surrogaatmodel. Deze aanpak is ontworpen om het kalibratielandschap te navigeren met een beperkt aantal ruisgevoelige metingen.

• Surrogaatmodellering: Het framework maakt gebruik van een GP om het onbekende kalibratielandschap $f(x)$ te modelleren, waarbij $x$ de vector van besturingsparameters is (Rabi-frequentie $\Omega$, sideband detuning $\delta$, en center-line detuning $\omega_{cl}$). In tegenstelling tot standaard GPs, gebruikt deze implementatie een heteroskedastisch ruismodel. De meetruis $\epsilon_i$ wordt gemodelleerd als een zero-mean Gaussische verdeling met een variantie die afhankelijk is van de besturingsinstellingen en het aantal metings-shots $N$, wat de fysica van kwantumprojectieruis reflecteert.
• Bayesiaanse Optimalisatie-lus: Het optimalisatieproces doorloopt drie stappen:
  1. Surrogaat Update: De GP-posterior wordt bijgewerkt met nieuwe experimentele data (besturingsparameters en gemeten scores), waarbij hyperparameters (lengteschalen, signaalvariantie, ruis-schaling) worden geoptimaliseerd via type-II maximum likelihood.
  2. Actief Leer Acquisition: Een acquisitiefunctie, specifiek de Upper Confidence Bound (UCB), selecteert de volgende experimentele configuratie. Deze functie balanceert exploitatie (het bemonsteren van regio's met een hoge voorspelde getrouwheid) en exploratie (het bemonsteren van regio's met een hoge onzekerheid) om efficiënt de globale optima te lokaliseren.
  3. Fysieke Evaluatie: De geselecteerde parameters worden toegepast op het kwantumsysteem (gesimuleerd in dit werk), en de resulterende poort-getrouwheidsscore wordt gemeten.
• Simulatieomgeving: De methode wordt gevalideerd met een gesimuleerde trapped-ion Mølmer-Sørensen (MS) gate. De simulatie gebruikt IonSim.jl om twee $^{40}\text{Ca}^+$ ionen te modelleren, waarbij off-resonant carrier excitatie en effecten van vierkante pulsen worden meegenomen, terwijl decoherentie wordt genegeerd om de impact van kwantumprojectieruis te isoleren. De kalibratiesequentie omvat het initialiseren van qubits in $|gg\rangle$, het toepassen van twee MS-gates, en het meten van de waarschijnlijkheid van de $|ee\rangle$ staat ($P_{ee}$) als de score.

Belangrijkste Bijdragen

• Model-vrije Kalibratie: Het artikel demonstreert een kalibratieprotocol dat geen gevalideerd forward-model van het kwantumsysteem vereist, maar vertrouwt op een data-gestuurd GP-surrogaat.
• Heteroskedastische Ruisafhandeling: De auteurs integreren een ruismodel waarbij de observatievariantie afhankelijk is van de besturingsparameters en het aantal metings-shots, wat erkent dat kwantumprojectieruis varieert over het landschap.
• Efficiëntie van Actief Leren: Het framework maakt gebruik van actief leren om de ontdekking van optimale parameters te versnellen, waarbij wordt aangetoond dat de GP effectief kan "denoisen" door ruimtelijke gladheid af te dwingen, zelfs wanneer getraind op ruisgevoelige data.
• Kwantificering van Limieten: De studie karakteriseert expliciet de limieten van de getrouwheidsverzadiging die worden opgelegd door eindige-shot kwantumprojectieruis, waarbij onderscheid wordt gemaakt tussen algoritmische convergentie en fysieke meetlimieten.

Resultaten
De auteurs hebben de aanpak gevalideerd via numerieke simulaties van de trapped-ion MS-gate:

• Surrogaat Accuraatheid: De GP-surrogaat heeft het besturingslandschap succesvol gemodelleerd. Het verhogen van het aantal trainingspunten ($m$) en het aantal metings-shots ($N$) verbeterde de nauwkeurigheid. Opvallend genoeg, voor een grote $m$, kon de GP-gemiddelde de ongecorreleerde projectieruis wegfilteren, waarbij Root Mean Square Errors (RMSE) onder het gemiddelde ruisniveau van de data werden bereikt.
• Optimalisatie Convergentie:
  • Parameterbereik: Het verkleinen van de initiële onzekerheidsrange van parameters (bijv. van $\pm 10$ kHz naar $\pm 1$ kHz) verminderde de tijd tot convergentie aanzienlijk en verminderde de variantie in het optimalisatiepad. De optimizer bleef echter robuust genoeg om het globale optimum te vinden, zelfs in volledige zoekdomeinen ($r=1.0$).
  • Shot Budget: De optimalisatie-getrouwheid verzadigde op basis van het aantal shots per evaluatie ($N$). De verzadiging volgde de verwachte schaling van $1 - Q \approx Q_\infty + \gamma N^{-1/2}$. Zelfs met een laag budget van $N=100$ shots bereikte de optimizer betrouwbaar een getrouwheidsvloer van $\sim 10^{-3}$, hoewel verdere iteraties de getrouwheid niet onder de eindige-shot limiet konden verbeteren.
  • Parameter Precisie: De frequentieparameters ($\omega_{cl}$ en $\delta$) werden geconvergeerd tot binnen tientallen Hz van de ideale waarden, terwijl de Rabi-frequentie ($\Omega$) convergeerde naar de ideale ratio met minimale variantie.
• Visualisatie: Het actieve leerproces toonde aan intelligent het landschap te bemonsteren, waarbij de metingen concentreerden rond de optimale regio en de onzekerheid rond de frequentiepieken verkleinden, terwijl het amplitude-landschap breder bleef vanwege de lagere gevoeligheid in de gekozen kalibratiesequentie.

Betekenis en Claims
Het artikel vestigt de bruikbaarheid van actief leren en surrogaatmodellen voor kwantumkalibratie en -controle. De auteurs beweren dat hun model-vrije aanpak een "lichtgewicht route naar geautomatiseerd onderhoud van poorten" biedt, in staat om kalibratie-drift te verwerken en te opereren zonder gedetailleerde fysieke modellen. De resultaten suggereren dat Gaussian Process Bayesian Optimization een praktisch instrument is voor ruisgevoelige, kostbare kwantumcontrole-taken. Het werk benadrukt dat hoewel efficiënte kalibratie mogelijk is, de uiteindelijke getrouwheid begrensd wordt door de kwantumprojectieruis die inherent is aan het meetproces. De auteurs positioneren deze methode als een fundamentele stap naar het karakteriseren, kalibreren en controleren van schaalbare kwantumsystemen, waarbij zij opmerken dat toekomstig werk zich moet richten op real-world imperfecties en multi-fidelity benaderingen die klassieke simulaties combineren met kwantummetingen.