Performance Comparison of Neural Network Approaches for Electric Potential Field Generation in Surface Ion Traps

Resumo Técnico: Comparação de Desempenho de Abordagens de Redes Neurais para Geração de Campos de Potencial Elétrico em Armadilhas de Íons de Superfície

Definição do Problema
Armadilhas de íons de eletrodos de superfície são uma plataforma crítica para computação quântica escalável, permitindo arquiteturas de Dispositivo de Carga Acoplada Quântica (QCCD). No entanto, o design e a otimização dessas armadilhas dependem fortemente de cálculos precisos de campos de potencial elétrico. Métodos numéricos tradicionais, como o Método de Elementos Finitos (FEM), o Método de Diferenças Finitas (FDM) e o Método de Elementos de Contorno (BEM), são computacionalmente dispendiosos. O FEM, embora preciso, exige recursos significativos para resolver a equação de Laplace em malhas finas, retardando a prototipagem. Embora o Método do Ângulo Sólido (SAM) ofereça uma abordagem baseada em contornos mais eficiente com complexidade $O(nm)$, os autores identificam a necessidade de métodos ainda mais rápidos para facilitar a exploração rápida de design e a correção em tempo real de imperfeições experimentais, como campos espúrios.

Metodologia
O estudo avalia três arquiteturas distintas de redes neurais para gerar campos de potencial elétrico em armadilhas de íons de superfície, utilizando o Método do Ângulo Sólido (SAM) como verdade fundamental (ground truth) para treinamento e validação. Uma simulação FEM do COMSOL Multiphysics serve como uma linha de base clássica para comparação de velocidade.

1. Rede Neural Convolucional (CNN): Uma arquitetura codificador-decodificador inspirada em tradução imagem-para-imagem. Ela recebe dois parâmetros de entrada (larguras dos eletrodos de RF e distância de separação) e os mapeia para um espaço latente, realizando o upsampling progressivo de $8\times8$ para um campo de potencial de $50\times50$ usando camadas convolucionais e conexões de salto (skip connections). Contém aproximadamente 15 milhões de parâmetros.
2. Operador Neural de Fourier (FNO): Esta arquitetura utiliza transformações espectrais para modelar o comportamento global do campo, sendo adequada para campos físicos suaves. Emprega um codificador MLP, seis camadas de Fourier com truncamento de modo (para $26\times26$ modos) e uma camada de projeção para gerar um campo de $50\times50$. Contém aproximadamente 8 milhões de parâmetros.
3. Camadas Totalmente Conectadas (FCL): Uma abordagem ponto a ponto onde coordenadas espaciais são alimentadas diretamente na rede junto com os parâmetros dos eletrodos. O sistema utiliza três redes especializadas para prever o potencial elétrico, o logaritmo da magnitude do campo ($\lg(|E|)$) e o sinal do campo, que são combinados para reconstruir o campo. Isso evita a regressão direta em grandes intervalos dinâmicos.

Estratégia de Treinamento
Todos os modelos foram treinados usando perda de Erro Quadrático Médio (MSE). Um componente crítico da metodologia foi a implementação de uma estratégia de mascaramento, onde pontos com magnitudes de pseudopotencial abaixo de um limiar ($\epsilon = 0,3$ eV) foram excluídos do cálculo da perda. Isso focou o treinamento na região fisicamente relevante de confinamento de íons (dentro de $\sim10$ $\mu$m do ponto de equilíbrio). Os autores testaram e rejeitaram explicitamente Redes Neurais Informadas pela Física (PINNs) com restrições de Laplaciano ($\nabla^2\phi=0$), citando instabilidade numérica devido à resolução da grade discreta e a dificuldade de equilibrar funções de perda multiobjetivo.

Resultados Principais
O estudo compara as arquiteturas com base na precisão da reconstrução do campo, extração de parâmetros da armadilha e desempenho computacional em hardware CPU e GPU.

• Precisão: O Operador Neural de Fourier (FNO) demonstrou desempenho superior. O FNO mascarado alcançou um erro médio de campo de potencial efetivo de apenas 0,02% e um erro de campo de 0,15%, com uma taxa de sucesso de 100% na geração de campos fisicamente significativos. Em contraste, a CNN mascarada apresentou um erro de potencial de 0,49%, e a abordagem FCL apresentou um erro de 0,40% ao extrair parâmetros a partir do potencial.
• Extração de Parâmetros: O FNO mascarado forneceu a maior precisão para parâmetros críticos da armadilha: altura de equilíbrio ($0,1\%$ de erro), frequência secular ($4,1\%$ de erro) e profundidade da armadilha ($2,8\%$ de erro). A CNN teve dificuldades com dependências de longo alcance, resultando em erros maiores para frequência ($23,8\%$) e profundidade ($15,6\%$).
• Desempenho Computacional:
  • Velocidade: Em GPU, o tempo de inferência do FNO foi de 0,53 ms por campo, comparado a 2,4 ms para a CNN e 62 ms para uma geração de campo total via FCL.
  • Comparação com Baselines: O FNO é aproximadamente 10 vezes mais rápido que o Método do Ângulo Sólido (SAM) em CPU (5,7 ms vs. 7,8 ms) e cerca de 1.800 vezes mais rápido que as simulações FEM do COMSOL (980 ms).
  • Hardware: Embora todas as redes neurais tenham mostrado ganhos de velocidade significativos em GPUs, o FNO ofereceu o melhor equilíbrio entre velocidade e precisão.

Significância e Alegações
Os autores afirmam que o Operador Neural de Fourier é um forte candidato para substituir ou complementar as simulações numéricas tradicionais no design de armadilhas de íons de superfície. A principal significância deste trabalho reside em demonstrar que os operadores neurais podem alcançar um erro inferior a 0,02% na geração do campo de potencial, proporcionando um ganho de velocidade de 10 vezes sobre os métodos eficientes existentes (SAM) e ordens de magnitude de velocidade sobre ferramentas padrão de FEM.

O artigo conclui que a capacidade do FNO de capturar relações globais de campo através de transformações espectrais o torna particularmente adequado para a natureza suave e satisfatória do Laplaciano dos potenciais elétricos em armadilhas de íons. Os autores afirmam que esta abordagem permite uma exploração e otimização mais rápidas do espaço de design. Eles sugerem modestamente que trabalhos futuros poderiam estender esses métodos para geometrias 3D, campos de RF dependentes do tempo e cristais de múltiplos íons, mas não reivindicam a implantação imediata em loops de controle experimental ao vivo, focando no potencial para processos de design automatizados e exploração abrangente do espaço de parâmetros.