[論文レビュー] Experimental graybox quantum system identification and control

Akram Youssry, Yang Yang+5 more|arXiv (Cornell University)|Jun 24, 2022

Spectroscopy and Quantum Chemical Studies参考文献 52被引用数 4

ひとこと要約

本論文は、物理的モデリングと微分可能機械学習を組み合わせることで、実験データからハミルトニアンやユニタリを再構築するグレイボックス量子システム同定と制御フレームワークを提案する。物理情報に基づくニューラルネットワークを活用することで、従来のホワイトボックスフィッティングやブラックボックス学習よりも優れた精度を達成し、ノイズが多く非理想的な量子系における最適制御とノイズスペクトロスコピーを可能にする。

ABSTRACT

Understanding and controlling engineered quantum systems is key to developing practical quantum technology. However, given the current technological limitations, such as fabrication imperfections and environmental noise, this is not always possible. To address these issues, a great deal of theoretical and numerical methods for quantum system identification and control have been developed. These methods range from traditional curve fittings, which are limited by the accuracy of the model that describes the system, to machine learning methods, which provide efficient control solutions but no control beyond the output of the model, nor insights into the underlying physical process. Here we experimentally demonstrate a "graybox" approach to construct a physical model of a quantum system and use it to design optimal control. We report superior performance over model fitting, while generating unitaries and Hamiltonians, which are quantities not available from the structure of standard supervised machine learning models. Our approach combines physics principles with high-accuracy machine learning and is effective with any problem where the required controlled quantities cannot be directly measured in experiments. This method naturally extends to time-dependent and open quantum systems, with applications in quantum noise spectroscopy and cancellation.

研究の動機と目的

• 純粋なホワイトボックス（モデルベース）およびブラックボックス（データ駆動）手法の量子システム同定における限界を解決すること。
• 物理的解釈可能性を保ちながら、量子ダイナミクスの再構築において高い精度を達成するハイブリッド手法を開発すること。
• 製造上の不具合や環境ノイズの影響を受ける現実の量子デバイスにおける最適制御とノイズ特徴化を可能にすること。
• 標準的な教師あり学習では得られない物理的に意味のあるハミルトニアンとユニタリを、グレイボックスアプローチが回復できることを示すこと。

提案手法

• 物理的制約（ユニタリティやパウリ行列構造など）を組み込んだ、制御からハミルトニアンへのマッピングをモデル化する物理情報に基づくニューラルネットワーク（PINN）を採用する。
• パウリベクトル形式による微分可能ハミルトニアンパラメータ化を用いる：H(V) = a(ˆn · σ)，これにより解析的時間発展でユニタリU = exp(iH)が得られる。
• 損失関数は、実験データ（例：パワー分布）と物理的制約（ユニタリ時間発展演算の周期性、パウリ成分の正規化）を組み合わせる。
• 線形性や理想制御を仮定しない非線形で非三角形かつ複素数値のハミルトニアンに対しても対応可能である。
• Adamを用いた反復的最適化により、予測出力と測定出力の平均二乗誤差を最小化する。
• 時間依存および開放系量子系へ自然に拡張可能であり、量子ノイズスペクトロスコピーとノイズキャンセレーションへの応用をサポートする。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッドグレイボックスアプローチは、実験データから量子ハミルトニアンを再構築する際、ホワイトボックスフィッティングやブラックボックス学習を上回る性能を示せるか？
• RQ2 ユニタリティやパウリ構造といった物理的制約を、微分可能な機械学習モデルにどのように埋め込むことができるか？
• RQ3 直接測定が不可能な状況下でも、この手法が物理的に意味のあるユニタリやハミルトニアンをどの程度再構築できるか？
• RQ4 グレイボックス手法は、純粋にデータ駆動またはモデルベースの手法に比べて、より優れた制御性能とノイズ特徴化を可能にするか？
• RQ5 時間依存および開放系量子系へ一般化可能か？ 事前に系のダイナミクスを知らなくてもよいのか？

主な発見

• グレイボックス手法は、ホワイトボックス、ブラックボックス、および他のモデル変種と比較して、トレーニングおよびテストセットの両方で顕著に低い平均二乗誤差（MSE）を達成した。
• 本手法は、標準的なホワイトボックスフィッティングでは到達できない非線形で複素数値、非三重対角のハミルトニアンを正常に再構築できた。
• 未学習データに対する優れた一般化性能を示し、実験的ノイズや不具合に対するロバストネスを裏付けた。
• ブラックボックスモデルが単に出力を予測するのに対し、本フレームワークは物理的に解釈可能なユニタリとハミルトニアンを回復できた。
• 再構築されたハミルトニアンを活用することで高精度制御を達成し、単なる予測を超えた量子制御への実用的価値を示した。
• 本手法は光子量子プラットフォームでも実証され、製造ノイズや環境ノイズが存在する現実の量子ハードウェアにおける実用的応用性を示した。