[論文レビュー] Learning Non-Markovian Quantum Noise from Moiré-Enhanced Swap Spectroscopy with Deep Evolutionary Algorithm

Murphy Yuezhen Niu, Vadim Smelyanskyi+31 more|arXiv (Cornell University)|Dec 9, 2019

Spectroscopy Techniques in Biomedical and Chemical Research被引用数 12

ひとこと要約

本論文は、非均一なサンプリングを介して強化されたモーリー干渉パターンを用い、深層学習と組み合わせた深層進化型アルゴリズム（DNN-EA）を提案する。この手法により、超伝導キュービットにおける実験データから非マルコフ的量子ノイズを堅牢に学習可能となり、10,000倍の高速化と、全探索法に比べ2桁分のノイズ耐性向上を達成。これにより、リアルタイムでの2準位系欠陥（TLS）欠陥およびゲート依存誤りの正確な特徴付けが可能となる。

ABSTRACT

Two-level-system (TLS) defects in amorphous dielectrics are a major source of noise and decoherence in solid-state qubits. Gate-dependent non-Markovian errors caused by TLS-qubit coupling are detrimental to fault-tolerant quantum computation and have not been rigorously treated in the existing literature. In this work, we derive the non-Markovian dynamics between TLS and qubits during a SWAP-like two-qubit gate and the associated average gate fidelity for frequency-tunable Transmon qubits. This gate dependent error model facilitates using qubits as sensors to simultaneously learn practical imperfections in both the qubit's environment and control waveforms. We combine the-state-of-art machine learning algorithm with Moiré-enhanced swap spectroscopy to achieve robust learning using noisy experimental data. Deep neural networks are used to represent the functional map from experimental data to TLS parameters and are trained through an evolutionary algorithm. Our method achieves the highest learning efficiency and robustness against experimental imperfections to-date, representing an important step towards in-situ quantum control optimization over environmental and control defects.

研究の動機と目的

• 周波数調整可能なトランスモンキュービットにおけるゲート操作中、キュービットと2準位系欠陥（TLS）欠陥の間の非マルコフ的ダイナミクスを物理的根拠に基づいたモデル化すること。
• 数分から数時間の時間スケールで変動する、TLS誘発のデコherenceに起因する正確でゲート依存の誤りモデルの不足に対処すること。
• キュービットをセンサーとして用いて、環境的不純物（TLS）および制御波形の非理想性をイン・スイットに特徴付け可能にすること。
• 最小限の実行時間で、ノイズの強い実験データからTLSパラメータを堅牢かつ高精度に学習すること。
• 時間的サンプリングにおけるモーリー効果を活用することで、最適化時間の短縮とノイズ耐性の向上を実現し、量子誤り特徴付けを改善すること。

提案手法

• 非均一な時間的サンプリングを用いたモーリー効果を活用したスワップ分光法により、2次元スワップ分光データ（TSSD）に含まれる周期的非マルコフ的干渉パターンを強化する。
• 3層の深層ニューラルネットワークが、ReLU非線形性を用いた順方向伝播により、実験的TSSDデータ（40×20の減衰確率行列）をTLSパラメータ（λ, ω_TLS, t_p, Γ_TLS, ϕ）にマッピングする。
• 学習率と分散パラメータを最適化して安定性と収束性を確保するように調整された、正規分布を用いた繰り返しの重み・バイアスの摂動を伴う進化型アルゴリズム（EA）が、ニューラルネットワークを訓練する。
• 予測値と測定値のTSSDデータ間のL2ノルムを最小化する報酬関数に基づく重み付き平均更新ルールをEAが採用する。
• 物理的モデルは、キュービットおよびTLSの両方に対して弱く結合されたマルコフ的環境を組み込み、SWAP型2キュービットゲートにおける非マルコフ的ダイナミクスの現実的記述を可能にする。
• 本手法により、顕著な測定ノイズ下でも効率的かつ堅牢にTLSパラメータを学習可能となり、全探索法に比べ最適化時間は10^4倍短縮される。

実験結果

リサーチクエスチョン

• RQ1 周波数調整可能な超伝導キュービットにおけるゲート操作中、キュービットとTLS欠陥の間の非マルコフ的ダイナミクスをどのようにモデル化できるか？
• RQ2 ノイズの強いスワップ分光データにおいて、周期的非マルコフ的干渉パターンの検出性を高める実験的手法は何か？
• RQ3 進化型アルゴリズムで訓練された深層ニューラルネットワークは、最小限のノイズ感受性で、実験的データからTLSパラメータを正確かつ堅牢に推定できるか？
• RQ4 非均一時間的サンプリング（モーリー効果）は、必要なデータポイント数および最適化時間の削減にどの程度寄与するか？
• RQ5 得られたゲート依存誤りモデルは、現実的なTLS相互作用下で平均2キュービットゲートの忠実度にどの程度の影響を及ぼすか？

主な発見

• 全探索法に比べ最適化に要する時間が10,000倍短縮され、リアルタイム特徴付けが可能となった。
• 測定ノイズに対する実験的特徴付けの精度が2桁向上し、著しく耐性が向上した。
• 開発された非マルコフ的ゲートモデルは、TLS周波数がゲート相互作用周波数に近い場合に、平均2キュービットゲート忠実度が著しく低下することを予測した。
• 非均一サンプリングに起因するモーリー効果により干渉の周期性が強化され、正確な学習に必要なデータポイント数が削減された。
• 進化型アルゴリズムで訓練された深層ニューラルネットワークは、ノイズの強いTSSDデータを物理的TLSパラメータに高精度でマッピングでき、誤差は低かった。
• ノイズのある2キュービットゲートの作用素和表現は、非可逆的誤り寄与の定量的記述を提供し、誤り低減に不可欠である。