Real-time adaptive tracking of fluctuating relaxation rates in… — 通俗解释

原作者： Fabrizio Berritta, Jacob Benestad, Jan A. Krzywda, Oswin Krause, Malthe A. Marciniak, Svend Krøjer, Christopher W. Warren, Emil Hogedal, Andreas Nylander, Irshad Ahmad, Amr Osman, Janka Biznárová, Mar

发布于 2026-02-16

📖 1 分钟阅读☕ 轻松阅读

查看于 arXiv ↗PDF ↗

CC BY 4.0

原作者： Fabrizio Berritta, Jacob Benestad, Jan A. Krzywda, Oswin Krause, Malthe A. Marciniak, Svend Krøjer, Christopher W. Warren, Emil Hogedal, Andreas Nylander, Irshad Ahmad, Amr Osman, Janka Biznárová, Marcus Rommel, Anita Fadavi Roudsari, Jonas Bylander, Giovanna Tancredi, Jeroen Danon, Jacob Hastrup, Ferdinand Kuemmeth, Morten Kjaergaard

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文讲述了一个关于如何让量子计算机变得更聪明、更稳定的突破性发现。为了让你轻松理解，我们可以把这篇论文的核心内容想象成**“给一个脾气暴躁的钢琴家（量子比特）进行实时调音”**的故事。

1. 背景：量子计算机的“脾气”

想象一下，你有一架极其精密的钢琴（量子计算机），里面的琴键（量子比特）非常敏感。为了演奏出完美的乐曲（进行量子计算），琴键必须保持特定的状态。

但是，这架钢琴有个大毛病：它的琴键会莫名其妙地“走调”。

什么是“走调”？ 在科学上，这叫“弛豫时间”（ $T_1$ ）的波动。简单说，就是琴键保持正确状态的时间忽长忽短。有时候它能坚持很久，有时候突然就“罢工”了。
以前的做法： 以前的科学家就像是一个笨拙的调音师。他们每隔几分钟甚至几小时，才去测一次琴键的状态。
- 比喻： 就像你每隔一小时才看一眼天气，然后决定今天穿什么。如果天气在几分钟内从晴天变成了暴雨，你的笨拙调音法就完全跟不上节奏，导致你穿错衣服（计算出错）。
问题所在： 这种“走调”其实发生得非常快（毫秒级），而且变化无常。以前的测量方法太慢，把快速的变化都“平均”掉了，导致科学家以为琴键很稳定，结果一弹琴就出错。

2. 突破：给调音师装上“超级大脑”

这篇论文的团队发明了一种**“实时自适应追踪”技术。他们给调音师装上了一个FPGA（现场可编程门阵列），这相当于给调音师装了一个超级大脑和超级手速**。

以前的方法（非自适应）： 像是一个固定流程的机器人。不管琴键现在状态如何，它都按固定的时间间隔去测。这就像不管天气如何，都每隔一小时看一次天。
新方法（自适应贝叶斯估计）： 这个“超级调音师”非常聪明。
1. 猜：它先根据之前的经验猜一下琴键现在的状态。
2. 测：它只测一次（单次测量）。
3. 改：根据这次测量的结果，它立刻更新自己的猜测，并决定下一次应该等多久再去测。
4. 循环： 这个过程在几毫秒内就能完成几十次。
比喻： 这就像是一个打地鼠游戏的高手。以前的调音师是每隔很久打一下，不管地鼠在哪。现在的调音师是眼睛盯着地鼠，地鼠刚露头，他立刻调整锤子的高度和位置，精准打击。他不需要等很久，而是根据刚才那一击的结果，瞬间决定下一击怎么打。

3. 惊人的发现：原来“走调”这么快！

使用这个新方法，科学家们发现了一个令人震惊的事实：

以前以为： 琴键的“走调”是像老式挂钟一样，慢慢变化的，可能需要几分钟甚至几小时才变一次。
现在发现： 琴键的“走调”其实是像闪电一样快！
- 在几十毫秒（眨眼间）的时间内，琴键的稳定性就能发生近 10 倍的剧烈变化。
- 这就像是你刚觉得今天天气很好，下一秒就狂风暴雨，再过几秒又放晴了。

4. 罪魁祸首：微观世界的“捣蛋鬼”

为什么琴键会这么不稳定？科学家通过数据分析发现，罪魁祸首是环境中的**“两能级系统”（TLS）**。

比喻： 想象钢琴内部有很多微小的**“捣蛋鬼”**（TLS）。它们像开关一样，在“开”和“关”之间快速切换。
- 以前科学家以为这些捣蛋鬼切换得很慢（比如一天几次）。
- 现在发现，它们切换得极快（每秒能切换 10 次甚至更多！）。
- 当这些捣蛋鬼刚好“卡”在琴键附近时，琴键就立刻“走调”；当它们跑开时，琴键又恢复正常。

5. 这意味着什么？（未来的影响）

这项研究不仅仅是发现了一个新现象，它彻底改变了我们对待量子计算机的方式：

重新定义“校准”： 以前我们可能几小时校准一次量子计算机。现在我们知道，必须在毫秒级的时间尺度上进行实时调整。如果不这样做，量子计算机永远无法发挥最大性能。
更聪明的“路由”： 想象量子计算机在运行程序时，可以像导航软件一样。如果它发现某个“琴键”（量子比特）现在状态不好（容易出错），它会自动把任务瞬间切换到另一个状态好的琴键上，而不是死板地继续用坏掉的琴键。
筛选好材料： 这种方法可以用来快速测试成千上万个量子芯片，找出那些“捣蛋鬼”特别多的次品，从而加速制造出更好的量子计算机。

总结

这篇论文就像给量子计算机领域装上了**“实时雷达”。
以前我们是在盲人摸象**，以为大象（量子比特）是静止的，结果它其实是在疯狂跳舞。
现在，我们有了超级慢动作摄像机（FPGA 自适应追踪），不仅能看清大象怎么跳，还能预测它下一步往哪跳，从而让量子计算机真正变得可靠、快速且强大。

一句话总结： 科学家发明了一种“秒级”追踪技术，发现量子比特其实是个“急脾气”，并在毫秒间剧烈波动，这为未来制造更稳定的量子计算机指明了新方向。

这篇论文介绍了一种基于现场可编程门阵列（FPGA）的实时自适应贝叶斯估计协议，用于追踪超导量子比特中快速波动的弛豫率（ $T_1$ 时间）。该研究突破了传统测量方法的时间分辨率限制，揭示了此前未被观测到的快速弛豫动力学现象。

以下是该论文的详细技术总结：

1. 研究背景与问题 (Problem)

量子比特保真度受限： 固态量子处理器的操作保真度 fundamentally 受限于环境退相干。其中，弛豫率 $\Gamma_1$ （ $T_1 = 1/\Gamma_1$ ）的波动直接限制了量子门操作的保真度。
传统方法的局限性： 现有的 $T_1$ $T_{1}$ 表征通常采用非自适应（Non-adaptive）协议，即固定等待时间并重复测量以拟合指数衰减曲线。
- 时间分辨率低： 传统方法需要数秒甚至数分钟才能完成一次估计，导致时间分辨率不足。
- 平均效应： 这种长 acquisition time 会平均掉底层动力学的快速特征（如毫秒级的波动），无法捕捉到快速变化的弛豫事件。
- 效率低下： 无法利用先验知识动态调整实验参数，导致在追踪快速波动时效率低下。
核心挑战： 如何在毫秒级甚至微秒级的时间尺度上，实时、准确地追踪超导量子比特弛豫率的随机波动，并理解其物理起源（如两能级系统 TLS 的切换）。

2. 方法论 (Methodology)

作者开发了一套集成在 FPGA 控制器上的实时自适应贝叶斯估计方案：

硬件平台： 使用 Quantum Machines OPX1000 控制器，其内置 FPGA 用于实时信号处理和反馈控制。
自适应贝叶斯估计协议：
- 单发测量 (Single-shot)： 每次循环初始化量子比特到激发态 $|1\rangle$ ，等待一个自适应时间 $\tau_i$ ，然后进行投影测量。
- 概率分布更新： 控制器维护一个关于 $\Gamma_1$ 的概率分布 $P(\Gamma_1)$ 。每次测量后，利用贝叶斯规则更新后验分布。
- 参数化近似： 为了在 FPGA 上实现快速计算（约 2.2 $\mu$ s/次更新），作者使用伽马分布 (Gamma Distribution) 来近似后验概率分布。伽马分布仅需两个参数（形状参数 $k$ 和尺度参数 $\theta$ ）即可描述，且能避免负值的非物理情况，同时在大样本下趋近于高斯分布。
- 自适应等待时间： 根据当前的后验分布均值 $\hat{T}_1$ ，动态选择下一次测量的等待时间 $\tau_{i+1} = c \cdot \hat{T}_1$ （其中 $c$ 为优化系数），以最大化每次测量获取的信息量。
验证方案： 将自适应估计与非自适应（固定等待时间网格）测量交错进行，以验证自适应方法的准确性。

3. 关键贡献 (Key Contributions)

时间分辨率提升两个数量级： 将弛豫时间的估计时间从传统的秒级/分钟级缩短至毫秒级（约 11 ms 完成一次估计，仅需 50 次单发测量），比传统方法快约 100 倍。
揭示快速弛豫波动： 首次观测到弛豫时间在几十毫秒的时间尺度上发生近一个数量级的跳变（Telegraphic switching），而非以往报道的分钟或小时级。
发现超快 TLS 切换： 通过功率谱密度 (PSD) 和 Allan 偏差分析，识别出两能级系统 (TLS) 的切换速率高达 10 Hz，比早期报告快四个数量级。
实时校准参考： 建立了一个用于快速表征设备筛选和实时校准的新基准，为超导量子处理单元 (QPU) 的动态优化提供了工具。

4. 主要结果 (Results)

实时追踪能力： 对两个固定频率的 transmon 量子比特（平均 $T_1 \approx 0.17$ ms）进行了连续追踪。结果显示， $T_1$ 在几十毫秒内可在 $\approx 100$ $\mu$ s 到 $>500$ $\mu$ s 之间快速跳变。
协议验证： 在交错实验中，自适应方法估计的 $T_1$ 平均值与非自适应方法拟合的结果高度一致（例如 Q1 中：自适应 $135.0 \pm 0.9$ $\mu$ s vs 非自适应 $136.7 \pm 2.2$ $\mu$ s），证明了自适应算法的准确性，尽管其总耗时仅为非自适应方法的约 1%。
噪声分析：
- Allan 偏差与 PSD： 对 72 小时的连续数据进行频谱分析，发现噪声主要由洛伦兹型 (Lorentzian) 过程主导，对应于单个或少数几个强耦合 TLS 的切换。
- 切换速率： 拟合出 TLS 的切换速率 $\gamma$ 可达 10 Hz（在特定时间段内），以及 100 mHz。这些快速动力学在传统慢速测量中会被完全平均掉。
- 白噪声相关性： 发现贝叶斯后验分布的标准差与拟合出的白噪声幅度高度相关，间接证明了实时估计误差的可靠性。
事件统计： 统计显示， $T_1$ 发生大于 100 $\mu$ s 的跳变事件平均约每 7.7 秒发生一次。

5. 意义与展望 (Significance & Outlook)

重新定义校准时间尺度： 该结果表明，超导 QPU 的校准和误差缓解策略需要从传统的“小时级”周期转向毫秒级的实时自适应调整。
量子误差纠正 (QEC) 优化： 由于 QEC 性能受限于“最差”的离群量子比特，实时监测 $T_1$ 允许系统在弛豫率过高时暂停操作或动态路由，从而维持高保真度。
材料表征与制造优化： 该协议可作为高通量筛选工具，快速识别具有快速 $T_1$ 波动的“坏”量子比特，帮助优化超导量子比特的制造工艺（如减少 TLS 缺陷）。
物理机制理解： 揭示了 TLS 在超导电路中的动态行为比预想的要快得多，为理解退相干的微观起源提供了新视角。
扩展性： 该方法不仅适用于超导量子比特，也可扩展至其他量子平台（如自旋量子比特），并可用于同时测量退相干率 ( $T_2$ ) 或探测宇宙射线引起的瞬态事件。

总结： 这项工作通过结合 FPGA 实时控制与贝叶斯统计，成功突破了量子比特弛豫时间测量的时间分辨率瓶颈，揭示了超导量子比特环境中此前未知的快速动力学过程，为未来大规模量子处理器的实时纠错和性能优化奠定了重要基础。

Real-time adaptive tracking of fluctuating relaxation rates in superconducting qubits