High-fidelity quantum gate learning via physics-informed neural networks

Na busca para construir um computador quântico prático, cientistas enfrentam um obstáculo fundamental: a necessidade de realizar operações com extrema precisão. Essas máquinas dependem de unidades minúsculas de informação chamadas qubits, que podem existir em múltiplos estados simultaneamente, uma propriedade que lhes permite resolver certos problemas muito mais rápido do que os computadores clássicos. No entanto, para tornar esses qubits úteis, os pesquisadores devem manipulá-los com tempo e força perfeitos para criar portas lógicas, os blocos básicos de qualquer cálculo. O desafio reside em projetar os sinais de controle — essencialmente ondas de rádio ou pulsos de laser — que guiam esses qubits. Esses sinais devem ser suaves e cuidadosamente moldados para evitar erros, mas também devem respeitar as leis físicas rigorosas que regem como as partículas quânticas se movem e interagem. Se o controle for muito bruto ou impreciso, o delicado estado quântico colapsa e o cálculo falha. Durante anos, encontrar esses sinais de controle perfeitos exigiu cálculos computacionais pesados e repetitivos, que são lentos e difíceis de escalar para máquinas complexas.

Uma equipe de pesquisadores propôs agora uma nova maneira de resolver este problema usando um tipo de inteligência artificial conhecida como rede neural informada pela física. Em vez de tratar o computador como uma caixa preta que simplesmente adivinha o melhor sinal, esta abordagem ensina ao computador as leis reais da física que regem os qubits. Os pesquisadores treinaram seu sistema para encontrar os pulsos de controle perfeitos para duas tarefas específicas: uma operação de qubit único chamada porta Hadamard, que cria uma superposição de estados, e uma operação de dois qubits chamada porta controlled-NOT, que vincula dois qubits para criar emaranhamento. Ao incorporar a equação de Schrödinger dependente do tempo — a regra central que descreve como os sistemas quânticos evoluem — diretamente no processo de treinamento, a rede aprendeu a gerar campos de controle suaves e contínuos que satisfazem tanto o resultado desejado quanto as restrições físicas do sistema.

Os resultados desta simulação são notavelmente precisos. Para a porta Hadamard de qubit único, o sistema produziu um pulso de controle que alcançou uma taxa de erro média de aproximadamente 8,49 vezes 10 à oitava potência negativa. Isso significa que a porta funciona corretamente mais de 99,99999 por cento das vezes. Para a mais complexa porta controlled-NOT de dois qubits, o desempenho variou ligeiramente dependendo de como os dois qubits estavam conectados, mas as taxas de erro permaneceram incrivelmente baixas, variando de cerca de 3,39 vezes 10 à sétima potência negativa a 4,96 vezes 10 à sexta potência negativa. Esses números indicam que os pulsos de controle aprendidos são altamente eficazes em conduzir o sistema quântico ao estado exato necessário para um cálculo bem-sucedido.

Além de encontrar os pulsos, os pesquisadores investigaram como esses sinais se comportam sob diferentes condições. Eles testaram os controles aprendidos contra vários tipos de interações entre qubits, incluindo aquelas que atuam ao longo de diferentes direções espaciais. Eles descobriram que o formato específico do pulso de controle dependia fortemente do tipo de conexão entre os qubits. Por exemplo, quando os qubits interagiam de uma forma específica, o sistema exigia sinais de controle fortes em um qubit, mas muito fracos no outro. Em outra configuração, era necessário um mix equilibrado de sinais em ambos. Isso sugere que não existe um padrão de controle único de "tamanho único"; o sinal ideal deve ser adaptado ao hardware físico específico sendo utilizado.

A equipe também examinou como esses pulsos perfeitos resistiriam em um ambiente do mundo real, onde ruído e perda de energia são inevitáveis. Eles simularam o efeito do desfasamento, onde o estado quântico perde sua coerência, e do amortecimento de amplitude, onde o qubit perde energia para o seu entorno. Mesmo sem retreinar a rede para essas condições ruidosas, os pulsos que já haviam aprendido mostraram uma queda previsível e linear no desempenho à medida que o ruído aumentava. Esse comportamento coincidiu com as expectativas teóricas, confirmando que o método produz controles robustos que degradam graciosamente, em vez de falharem catastroficamente quando confrontados com interferência ambiental.

Finalmente, os pesquisadores abordaram uma preocupação prática para os engenheiros que eventualmente construirão essas máquinas: como armazenar e transmitir esses sinais de controle complexos. A rede neural produz curvas suaves e contínuas que são difíceis de armazenar em um formato simples. Para resolver isso, a equipe converteu essas formas de onda complexas em uma representação matemática compacta usando um tipo específico de expansão polinomial. Eles descobriram que apenas 24 números foram suficientes para descrever cada pulso de controle com tal alta precisão que a diferença entre a curva original e a versão simplificada era negligenciável. Este formato compacto torna muito mais fácil transferir as soluções aprendidas para o hardware quântico real, preenchendo a lacuna entre o design teórico e a implementação física.

O estudo demonstra que incorporar leis físicas diretamente no aprendizado de máquina oferece um caminho poderoso para o controle quântico. Ao treinar em um conjunto diversificado de condições iniciais e validar os resultados contra testes independentes, os pesquisadores mostraram que seu método pode gerar portas de alta fidelidade sem a necessidade de ajustar manualmente cada parâmetro. Embora essas descobertas venham de simulações de computador, elas fornecem um plano claro de como futuros computadores quânticos podem ser programados. A capacidade de gerar pulsos de controle suaves, robustos e compactos sugere que a tarefa difícil de projetar o "software" para máquinas quânticas está se tornando mais gerenciável, pavimentando o caminho para tecnologias quânticas mais confiáveis e escaláveis.