🔬 applied physics

Active Learning for Calibrating Entangling Gates via Surrogate-Based Optimization

本文提出了一种利用高斯过程代理模型的贝叶斯优化主动学习框架，通过对哈密顿动力学进行建模并优化控制参数，以高效校准纠缠门，并通过对陷阱离子 Mølmer-Sørensen 门的数值校准验证了该框架。

原作者： Caleb Walton, Patricia García-Caspueñas, Filippo Zacchei, Ana Larrañaga, Steven L. Brunton, Sara Mouradian

发布于 2026-07-02

📖 1 分钟阅读☕ 轻松阅读

原作者： Caleb Walton, Patricia García-Caspueñas, Filippo Zacchei, Ana Larrañaga, Steven L. Brunton, Sara Mouradian

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

想象一下，你正试图调校一台非常陈旧且难以捉摸的收音机，想要捕捉到一首完美的歌曲。问题在于，收音机的旋钮并不完全按照说明书上的指示工作。有时，你稍微转动一下“音量”旋钮，就会改变“电台”的频率；而“调谐”旋钮可能还很生涩难转。你并不清楚这些旋钮之间相互作用的具体规则，也无法通过查看收音机的内部线路来弄清原理。

这正是科学家在试图控制量子计算机时面临的问题。这些机器使用微小的粒子（如陷阱离子）进行计算，但为了让它们正常工作，你必须极其精确地设置多个“旋钮”（例如激光功率和频率）。如果你的设置哪怕只有一点点偏差，计算机就会出错。

以下是本文如何解释他们解决这一调优问题的，采用了简单的类比：

问题所在：“黑箱”收音机

在一个完美的世界里，科学家会拥有一个关于量子计算机如何工作的完美地图（数学模型）。他们只需计算出完美的设置即可。但在现实中，“地图”是错误的，因为引入激光和控制设备的设备表现得难以预测。

如果你尝试通过随机转动旋钮或逐一遍历旋钮（比如将音量旋钮从 1 调到 100）来寻找完美设置，这会耗费极长时间。此外，这台“收音机”充满了噪声。当你检查歌曲是否播放清晰时，测量过程本身也是模糊的，就像是在风暴中试图听清一声低语。

解决方案：“智能猜测”系统

作者创建了一个系统，它的作用就像一个智能、直觉型的调谐器。它不需要对收音机有一个完美的地图，而是通过不断尝试来构建一个“代理”（替代）模型。

代理模型（制图者）：
想象一位从未见过该领土的制图师，正根据一些零散的线索绘制地图。团队使用了一种称为**高斯过程（Gaussian Process）**的数学工具。你可以把它想象成一张灵活的、具有弹性的橡胶片地图。

当他们测试一个设置时，会得到一个分数（即“歌曲”听起来有多好）。
橡胶片会随之拉伸和弯曲，以拟合这个点。
至关重要的一点是，这张地图不仅显示了数据点，还显示了不确定性。它知道自己在哪里是在猜测，在哪里是有把握的。它会在尚未探索过的区域上方画出一层“迷雾”。

主动学习（智能探索者）：
这是整个操作的“大脑”。系统不会去检查随机的点，而是观察它的橡胶片地图，并询问：“我下一步应该在哪里观察，才能学到最多的东西？”

利用（Exploitation）： 它会检查那些看起来像是“完美歌曲”所在的地方（高分区域）。
探索（Exploration）： 它会检查“迷雾”最浓厚的区域（高不确定性区域），以清除地图上的迷雾。
它平衡了这两种策略，以便以最快的速度、用最少的测试次数找到最佳设置。

处理噪声（“模糊”的测量）：
论文指出，“收音机”是有噪声的。如果你只测量一次歌曲质量，你可能会因为偶然因素得到一个糟糕的结果。系统通过意识到“模糊度”取决于检查次数（即“采样次数/shots”）来应对这一点。它会调整其橡胶片，以理解某些区域天生就比其他区域更模糊，因此不会被单次偶然（或倒霉）的测量结果所误导。

实验：调优“纠缠门”

为了证明这套方法有效，研究人员模拟了一种特定的量子操作，称为 Mølmer-Sørensen 门。这就像是一种特殊的舞蹈动作，其中两个离子（粒子）必须保持完美的同步，才能实现“纠缠”（相互链接）。

他们模拟了一台陷阱离子计算机，并让他们的“智能调谐器”寻找完美的激光设置。

结果： 即使从很宽的猜测范围开始，该系统也能非常迅速地找到最优设置。
极限： 他们发现，无论调谐器多么聪明，都存在一个调优能达到的“底限”。这个底限是由基础的“量子噪声”（即前文提到的风暴）决定的。即使拥有完美的算法，如果风声太大，你也无法完美地听到那声低语。然而，该系统非常高效地达到了这一极限。

核心要点

论文声称，这种方法是一种强大的、“无需模型（model-free）”的量子计算机校准方式。

无需说明书： 你不需要了解深奥的物理学，也不需要拥有关于机器的完美理论模型。
高效： 它通过极少的测试次数就能找到最佳设置，节省了时间和资源。
鲁棒性： 即使在测量存在噪声且初始猜测偏差较大的情况下，它也能表现良好。

简而言之，他们构建了一个自我修正的、智能的调谐器，通过进行几次聪明的实验，就能学习并掌握量子机器的特性，而不是试图去解开一个可能根本无解的复杂数学谜题。

技术摘要：基于代理模型优化的主动学习用于纠缠门校准

问题陈述
高保真度量子门操作对于近期的量子优势和容错纠错至关重要。然而，实现高保真度需要对定义系统哈密顿量的经典控制参数进行精确校准。虽然存在理论模型，但硬件上实现的实际哈密顿量往往由于经典控制基础设施中潜在的非线性传递函数而偏离理想状态。传统的校准方法（如顺序参数扫描或依赖于精确前向模型的优化，例如基于精确理论模型的贝叶斯校准）面临显著局限性。这些局限性包括：随系统规模扩展性差、经典模拟计算成本高，以及无法处理硬件漂移导致的定期重新校准问题。此外，量子系统运行在噪声且低数据的环境下，使得像神经网络这样贪婪数据的算法变得不切实际。核心挑战在于如何高效地识别最优控制参数，同时容忍测量噪声，并在没有实验系统精确物理模型的情况下进行操作。

方法论
作者提出了一种基于贝叶斯优化（BO）的主动学习框架，利用高斯过程（GP）作为代理模型。该方法旨在利用有限的噪声测量来探索校准景观。

代理建模： 该框架采用高斯过程来模拟未知的校解景观 $f(x)$ ，其中 $x$ 代表控制参数向量（拉比频率 $\Omega$ 、边带失谐 $\delta$ 和中心线失谐 $\omega_{cl}$ ）。与标准 GP 不同，此实现使用了异方差噪声模型。测量噪声 $\epsilon_i$ 被建模为均值为零的高斯分布，其方差取决于控制设置和测量次数 $N$ ，这反映了量子投影噪声的物理特性。
贝叶斯优化循环： 优化过程通过以下三个步骤迭代：
1. 代理更新： 通过类型-II 最大似然法更新 GP 后验（包括新的实验数据：控制参数和测得的分数），并优化超参数（长度尺度、信号方差、噪声缩放）。
2. 主动学习采集： 使用采集函数（具体为置信上限 UCB）选择下一个实验配置。该函数平衡了利用（采样预测保真度高的区域）与探索（采样高不确定性区域），以高效定位全局最优值。
3. 物理评估： 将选定的参数应用于量子系统（在本研究中使用模拟器），并测量生成的门保真度分数。
模拟环境： 该方法通过模拟受俘获离子 Mølmer-Sørensen (MS) 门的性能进行了验证。模拟使用 IonSim.jl 对两个 $^{40}\text{Ca}^+$ 离子进行建模，纳入了离共振载波激发和方脉冲效应，同时忽略了退相干，以隔离量子投影噪声的影响。校准序列涉及初始化比特为 $|gg\rangle$ ，应用两次 MS 门，并测量 $|ee\rangle$ 态的概率 ( $P_{ee}$ ) 作为分数。

核心贡献

无模型校准： 本文展示了一种无需经过验证的量子系统前向模型的校准协议，而是依赖于数据驱动的 GP 代理模型。
异方差噪声处理： 作者集成了一个噪声模型，其中观测方差取决于控制参数和测量次数，承认了量子投影噪声在整个景观中是变化的。
主动学习效率： 框架利用主动学习来加速最优参数的发现，表明 GP 即使在基于噪声数据进行训练时，也能通过强制空间平滑性有效地实现“去噪”。
极限量化： 研究明确表征了由有限次数（finite-shot）量子投影噪声引起的保真度饱和极限，区分了算法收敛与物理测量极限。

结果
作者通过受俘获离子 MS 门的数值模拟验证了该方法：

代理准确度： GP 代理成功模拟了控制景观。增加训练点数 ( $m$ ) 和测量次数 ( $N$ ) 可提高准确度。值得注意的是，对于较大的 $m$ ，GP 均值可以过滤掉不相关的投影噪声，使均方根误差 (RMSE) 低于数据的平均噪声水平。
优化收敛性：
- 参数范围： 减小初始参数不确定性范围（例如从 $\pm 10$ kHz 减至 $\pm 1$ kHz）显著降低了收敛时间并减少了优化路径的方差。然而，即使在全规模搜索域 ( $r=1.0$ ) 下，优化器仍具有足够的鲁棒性来找到全局最优值。
- 测量次数预算： 优化后的保真度根据每次评估的测量次数 ( $N$ ) 发生饱和。这种饱和遵循预期的标度关系 $1 - Q \approx Q_\infty + \gamma N^{-1/2}$ 。即使在 $N=100$ 次测量的低预算下，优化器也能可靠地达到 $\sim 10^{-3}$ 的保真度底限，尽管进一步的迭代无法将保真度提升至有限次数限制以下。
- 参数精度： 频率参数（ $\omega_{cl}$ 和 $\delta$ ）收敛至距离理想值仅数十 Hz 的范围内，而拉比频率 ( $\Omega$ ) 则收敛至理想比例且方差极小。
可视化： 主动学习过程被证明能够智能地采样景观，将测量集中在最优区域附近，并缩小频率峰值周围的不确定性；而由于所选校准序列的灵敏度较低，幅度景观保持了较宽的状态。

意义与主张
本文确立了主动学习和代理模型在量子校准与控制中的效用。作者声称，其无模型方法提供了一条“自动化门维护的轻量级途径”，能够处理校准漂移并在没有详细物理模型的情况下运行。结果表明，高斯过程贝叶斯优化是处理噪声大、成本高的量子控制任务的实用工具。这项工作强调，虽然高效的校准是可能的，但最终的保真度受限于测量过程中固有的量子投影噪声。作者将此方法定位为表征、校准和控制规模化量子系统的基础性步骤，并指出未来的工作应解决现实世界的非理想特性以及结合经典模拟与量子测量的多保真度方法。

问题所在：“黑箱”收音机

解决方案：“智能猜测”系统

实验：调优“纠缠门”

核心要点

技术摘要：基于代理模型优化的主动学习用于纠缠门校准

类似论文