Characterizing Physical Error Contributions of Quantum Gates

A busca para construir um computador quântico útil é uma corrida contra o invisível. No coração dessas máquinas estão os bits quânticos, ou qubits, que mantêm a informação em um estado frágil de superposição, permitindo-lhes realizar cálculos que levariam milênios para serem resolvidos por supercomputadores clássicos. No entanto, esse poder vem acompanhado de uma fraqueza severa: o menor distúrbio do ambiente — um campo magnético errante, uma flutuação na temperatura ou uma pequena imperfeição na eletrônica de controle — pode fazer com que o qubit perca sua informação. Essa perda, conhecida como ruído, é o principal obstáculo que impede os computadores quânticos de atingirem seu pleno potencial. Para corrigir o problema, os cientistas devem primeiro entender exatamente de onde vêm os erros. Não basta saber que um cálculo falhou; os engenheiros precisam saber se a falha foi causada pela perda de energia do qubit, por um sinal de controle que foi ligeiramente longo demais ou por um ruído lento e errante que se acumula ao longo do tempo. Sem um mapa preciso dessas fontes de erro, melhorar o hardware é como tentar reparar um motor complexo de olhos vendados.

Uma equipe de pesquisadores da IQM Quantum Computers e da Ludwig-Maximilians-Universität München desenvolveu uma nova maneira de criar esse mapa, uma que não apenas identifica os erros, mas também diz aos cientistas o quanto eles podem confiar na identificação. Em um estudo focado em um tipo específico de processador quântico supercondutor, os pesquisadores aplicaram seu método para medir o desempenho de portas de um único qubit e de dois qubits, as operações fundamentais que manipulam a informação quântica. Eles descobriram que, embora pudessem localizar as fontes de erro para operações de um único qubit com alta confiança, o mesmo nível de certeza não era possível para as portas de dois qubits, que são mais complexas. Crucialmente, o método deles não escondeu essa incerteza; em vez disso, sinalizou-a como um aviso de que o entendimento atual da física estava incompleto. Essa abordagem marca uma mudança de simplesmente adivinhar de onde vêm os erros para um processo rigoroso e orientado por dados que admite quando o modelo está com uma peça faltando no quebra-cabeça.

Para entender o desafio, deve-se observar como os computadores quânticos são testados atualmente. Tradicionalmente, os cientistas realizam uma série de experimentos para medir quanto tempo um qubit consegue manter seu estado ou quão precisamente ele realiza uma rotação. Eles então inserem esses números em um modelo matemático para estimar quanto cada fator contribui para o erro total. Esse processo assume que o modelo é perfeito e que os erros são independentes entre si. No entanto, no mundo real dos circuitos supercondutores, os erros são frequentemente interligados, complexos e mudam com o tempo. Um modelo que assume que tudo é simples e independente pode produzir um número que parece preciso, mas esse número pode estar completamente errado se as premissas subjacentes forem falhas. Os pesquisadores perceberam que confiar nesses modelos estáticos era arriscado, especialmente à medida que os processadores quânticos crescem em tamanho e complexidade. Eles precisavam de uma maneira de aprender diretamente com os dados, mantendo um controle constante sobre se suas premissas se sustentavam.

A solução proposta é uma estrutura baseada em aprendizado que atua como uma ponte entre o mundo físico e o modelo do computador. Em vez de tentar resolver as equações complexas para cada novo experimento, a equipe primeiro construiu uma simulação altamente detalhada de seu processador quântico. Esta simulação incluía todas as fontes conhecidas de erro, desde o decaimento natural da energia nos qubits até as flutuações sutis e lentas de campos magnéticos que derivam ao longo do tempo. Eles realizaram milhares de experimentos virtuais dentro desta simulação, registrando os resultados e as contribuições de erro específicas para cada cenário. Usando esse enorme conjunto de dados, treinaram uma ferramenta de aprendizado de máquina chamada Regressão de Processos Gaussianos. Esta ferramenta aprendeu a reconhecer padrões, memorizando efetivamente a relação entre os dados experimentais brutos e os erros físicos específicos que os causaram. Uma vez treinada, essa ferramenta poderia pegar um novo conjunto de medições do mundo real e prever instantaneamente o orçamento de erro, ou a decomposição de onde as falhas estão vindo.

O que torna este método particularmente poderoso é sua capacidade de medir sua própria confiança. A ferramenta de aprendizado de máquina não fornece apenas uma resposta única; ela fornece uma faixa de incerteza. Se os dados do mundo real forem muito semelhantes aos dados que a ferramenta viu durante o treinamento, a incerteza é baixa e a previsão é confiável. Mas se os dados reais se comportarem de uma forma que a simulação nunca viu, a incerteza da ferramenta dispara. Esse pico não é uma falha do método; é um recurso. Ele serve como um sinal de diagnóstico, dizendo aos pesquisadores que seu modelo físico está sentindo falta de algo importante. É a diferença entre uma previsão do tempo que prevê o sol com confiança quando uma tempestade está de fato se formando, e uma previsão que diz: "Não tenho certeza, porque as condições são diferentes de tudo o que já vi antes".

A equipe testou essa estrutura em um par de qubits em um arranjo transmon, uma arquitetura comum para computadores quânticos supercondutores. Eles focaram em dois tipos de operações: a porta de um único qubit, que inverte o estado de um qubit, e a porta de dois qubits, que emaranha dois qubits juntos. Para as portas de um único qubit, os resultados foram tranquilizadores. A estrutura reconstruiu com sucesso o orçamento de erro, identificando que os erros dominantes vinham da perda de energia dos qubits e de pequenas imperfeições nos pulsos de controle. A incerteza era baixa, o que significa que a equipe podia confiar que seu modelo descrevia com precisão a física dessas operações. Eles puderam ver exatamente quanto cada fator contribuía para o erro total, fornecendo um alvo claro para melhorias futuras.

A história mudou quando voltaram sua atenção para as portas de dois qubits. Essas operações são significativamente mais complexas, envolvendo um terceiro componente chamado acoplador que liga os dois qubits. Quando os pesquisadores aplicaram sua estrutura aos dados da porta de dois qubits, as estimativas de incerteza foram altas. A ferramenta sinalizou que mesmo o seu modelo detalhado de primeiros princípios, que incluía ruído não-markoviano complexo e distorções de pulso, não estava capturando totalmente a dinâmica do sistema. Os erros do mundo real estavam se comportando de maneiras que a simulação não previa. Esta foi uma descoberta crítica. Um método tradicional poderia ter forçado os dados para dentro do modelo, produzindo um orçamento de erro preciso, porém enganoso, que esconderia a verdadeira complexidade do problema. Em vez disso, esta nova estrutura admitiu a lacuna, fornecendo evidência quantitativa de que o entendimento atual dos erros de portas de dois qubits é incompleto.

Os pesquisadores identificaram que os erros dominantes na porta de dois qubits provavelmente estavam relacionados a imperfeições nos pulsos de controle e à forma específica como o acoplador interage com os qubits, mas a alta incerteza sugeriu que havia outros fatores não modelados em jogo. Estes poderiam incluir distorções sutis nos sinais elétricos ou interações com o ambiente em frequências que ainda não haviam sido sondadas. O estudo destaca que, embora o hardware atual seja impressionante, o caminho para a computação quântica em larga escala requer não apenas um hardware melhor, mas melhores maneiras de entendê-lo. A capacidade de distinguir entre o que é conhecido e o que é desconhecido é tão importante quanto as próprias medições.

Este trabalho representa um passo significativo no avanço da caracterização de hardware quântico. Ao tratar o orçamento de erro como um problema de aprendizado, em vez de um simples cálculo, os pesquisadores criaram uma ferramenta que é ao mesmo tempo poderosa e honesta. Ela permite que os cientistas extraiam insights detalhados de experimentos complexos enquanto simultaneamente os alertam quando seus modelos são insuficientes. À medida que os processadores quânticos continuam a escalar, com mais qubits e interações mais complexas, a capacidade de detectar essas lacunas de entendimento será essencial. A estrutura não apenas diz aos engenheiros o que está errado; ela diz onde o conhecimento deles termina, guiando-os em direção aos próximos experimentos necessários para preencher as peças que faltam. Na corrida para construir um computador quântico confiável, saber o que você não sabe é o primeiro passo para resolver o problema.