Active Learning for Calibrating Entangling Gates via Surrogate-Based Optimization

Resumo Técnico: Aprendizado Ativo para Calibração de Portas de Entrelaçamento via Otimização Baseada em Modelo Substitutos

Declaração do Problema
Operações de portas quânticas de alta fidelidade são essenciais para a vantagem quântica de curto prazo e para a correção de erros tolerante a falhas. No entanto, alcançar alta fidelidade requer a calibração precisa dos parâmetros de controle clássicos que definem o Hamiltoniano do sistema. Embora existam modelos teóricos, o Hamiltoniano real implementado no hardware frequentemente desvia do ideal devido a funções de transferência potencialmente não lineares e desconhecidas na infraestrutura de controle clássico. Métodos de calibração tradicionais, como varreduras sequenciais de parâmetros ou otimização dependente de modelos diretos precisos (por exemplo, calibração Bayesiana com modelos teóricos precisos), enfrentam limitações significativas. Estas incluem baixa escalabilidade com o tamanho do sistema, altos custos computacionais para simulações clássicas e a incapacidade de lidar com o drift (deriva) do hardware sem recalibração periódica. Além disso, os sistemas quânticos operam em um regime de ruído e poucos dados, tornando impraticáveis abordagens ávidas por dados, como redes neurais. O desafio central é identificar parâmetros de controle ideais de forma eficiente, tolerando o ruído de medição e operando sem um modelo físico exato do sistema experimental.

Metodologia
Os autores propõem uma estrutura de aprendizado ativo baseada em Otimização Bayesiana (BO) utilizando um Processo Gaussiano (GP) como um modelo substituto (surrogate model). Esta abordagem é projetada para navegar no panorama de calibração utilizando um número limitado de medições ruidosas.

• Modelagem de Substituto: A estrutura emprega um GP para modelar o desconhecido panorama de calibração $f(x)$, onde $x$ representa o vetor de parâmetros de controle (frequência de Rabi $\Omega$, detuning de banda lateral $\delta$ e detuning da linha central $\omega_{cl}$). Diferentemente dos GPs padrão, esta implementação utiliza um modelo de ruído heterocedástico. O ruído de medição $\epsilon_i$ é modelado como um Gaussiano de média zero com variância dependente das configurações de controle e do número de disparos de medição $N$, refletindo a física do ruído de projeção quântica.
• Ciclo de Otimização Bayesiana: O processo de otimização itera através de três etapas:
  1. Atualização do Substituto: O posterior do GP é atualizado com novos dados experimentais (parâmetros de controle e pontuações medidas), otimizando hiperparâmetros (escalas de comprimento, variância de sinal, escala de ruído) via máxima verossimilhança do tipo II.
  2. Aquisição de Aprendizado Ativo: Uma função de aquisição, especificamente o Limite Superior de Confiança (UCB), seleciona a próxima configuração experimental. Esta função equilibra explotação (amostragem de regiões com alta fidelidade prevista) e exploração (amostragem de regiões com alta incerteza) para localizar eficientemente o ótimo global.
  3. Avaliação Física: Os parâmetros selecionados são aplicados ao sistema quântico (simulado neste trabalho), e a pontuação de fidelidade da porta resultante é medida.
• Ambiente de Simulação: O método é validado usando uma porta Mølmer-Sørensen (MS) de íons aprisionados simulada. A simulação usa IonSim.jl para modelar dois íons de $^{40}\text{Ca}^+$, incorporando excitação de portadora fora de ressonância e efeitos de pulso quadrado, enquanto negligencia a decoerência para isolar o impacto do ruído de projeção quântica. A sequência de calibração envolve inicializar os qubits em $|gg\rangle$, aplicar duas portas MS e medir a probabilidade do estado $|ee\rangle$ ($P_{ee}$) como a pontuação.

Principais Contribuições

• Calibração Independente de Modelo: O artigo demonstra um protocolo de calibração que não requer um modelo direto validado do sistema quântico, baseando-se em um substituto de GP orientado por dados.
• Tratamento de Ruído Heterocedástico: Os autores integram um modelo de ruído onde a variância da observação depende dos parâmetros de controle e dos disparos de medição, reconhecendo que o ruído de projeção quântica varia através do panorama.
• Eficiência de Aprendizado Ativo: A estrutura utiliza aprendizado ativo para acelerar a descoberta de parâmetros ideais, mostrando que o GP pode efetivamente "reduzir o ruído" do sistema ao impor suavidade espacial, mesmo quando treinado em dados ruidosos.
• Quantificação de Limites: O estudo caracteriza explicitamente os limites de saturação de fidelidade impostos pelo ruído de projeção quântica de disparos finitos, distinguindo entre convergência algorítmica e limites físicos de medição.

Resultos
Os autores validaram a abordagem através de simulações numéricas da porta MS de íons aprisionados:

• Precisão do Substituto: O substituto GP modelou com sucesso o panorama de controle. O aumento do número de pontos de treinamento ($m$) e dos disparos de medição ($N$) melhorou a precisão. Notavelmente, para um $m$ grande, a média do GP pôde filtrar o ruído de projeção não correlacionado, alcançando Erros Quadráticos Médios (RMSE) abaixo do nível médio de ruído dos dados.
• Convergência da Otimização:
  • Intervalo de Parâmetros: Reduzir o intervalo de incerteza inicial dos parâmetros (ex: de $\pm 10$ kHz para $\pm 1$ kHz) diminuiu significativamente o tempo para convergência e reduziu a variância no caminho de otimização. No entanto, o otimizador permaneceu robusto o suficiente para encontrar o ótimo global mesmo em domínios de busca de escala total ($r=1.0$).
  • Orçamento de Disparos: A fidelidade de otimização saturou com base no número de disparos por avaliação ($N$). A saturação seguiu a escala esperada de $1 - Q \approx Q_\infty + \gamma N^{-1/2}$. Mesmo com um orçamento baixo de $N=100$ disparos, o otimizador alcançou confiavelmente um piso de fidelidade de $\sim 10^{-3}$, embora novas iterações não pudessem melhorar a fidelidade abaixo do limite de disparos finitos.
  • Precisão de Parâmetros: Os parâmetros de frequência ($\omega_{cl}$ e $\delta$) convergiram para valores ideais dentro de dezenas de Hz, enquanto a frequência de Rabi ($\Omega$) convergiu para a razão ideal com variância mínima.
• Visualização: O processo de aprendizado ativo mostrou-se capaz de amostrar o panorama de forma inteligente, concentrando medições ao redor da região ótima e estreitando a incerteza ao redor dos picos de frequência, enquanto o panorama de amplitude permaneceu mais amplo devido à menor sensibilidade na sequência de calibração escolhida.

Significância e Alegações
O artigo estabelece a utilidade do aprendizado ativo e de modelos substitutos para o controle e calibração quântica. Os autores alegam que sua abordagem independente de modelo fornece uma "rota leve para a manutenção automatizada de portas", capaz de lidar com o drift de calibração e operar sem modelos físicos detalhados. Os resultados sugerem que a Otimização Bayesiana via Processo Gaussiano é uma ferramenta prática para tarefas de controle quântico ruidosas e dispendiosas. O trabalho destaca que, embora seja possível uma calibração eficiente em termos de recursos, a fidelidade última é limitada pelo ruído de projeção quântica inerente ao processo de medição. Os autores posicionam este método como um passo fundamental para a caracterização, calibração e controle de sistemas quânticos em escala, observando que trabalhos futuros devem abordar não-idealidades do mundo real e abordagens de multi-fidelidade combinando simulações clássicas com medições quânticas.