[논문 리뷰] Learning Non-Markovian Quantum Noise from Moiré-Enhanced Swap Spectroscopy with Deep Evolutionary Algorithm

Murphy Yuezhen Niu, Vadim Smelyanskyi외 31명|arXiv (Cornell University)|2019. 12. 09.

Spectroscopy Techniques in Biomedical and Chemical Research인용 수 12

한 줄 요약

이 논문은 초전도 큐비트에서 실험 데이터로부터 비마르코프성 양자 노이즈를 강력하게 학습하기 위해 모어레-강화 스왑 스펙트로스코피와 신경망을 조합한 딥 유전적 알고리즘(DNN-EA)을 제안한다. 비균일 샘플링을 통해 증폭된 주기적 간섭 패턴을 활용함으로써, 이 방법은 완전 탐색 대비 10,000배 빠른 최적화와 두 개의 지수 단위 높은 노이즈 내성 성능을 달성하여 실시간 양자 제어에서 이중준위체계(TLS) 결함과 게이트 의존 오차를 정확하게 특성화할 수 있다.

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.

연구 동기 및 목표

• 주파수 조절 가능한 트랜스몬 큐비트에서 게이트 작동 중 큐비트와 이중준위체계(TLS) 결함 간의 비마르코프성 동역학을 물리적으로 타당한 모델로 기술하는 것.
• 분석 시간이 분에서 수 시간에 이르는 변동성을 보이는 TLS 유도 디코herence에 대해 정확하고 게이트 의존적인 오차 모델이 부족한 문제를 해결하는 것.
• 큐비트를 센서로 활용하여 환경적 불완전성(TLS)과 제어 웨이브폼의 비이상성 특성을 현장에서 특성화할 수 있도록 하는 것.
• 최소한의 런타임으로 노이즈가 있는 실험 데이터에서 TLS 파라미터를 강력하고 고정밀하게 학습하는 것.
• 시간적 샘플링에서의 모어레 효과를 활용하여 최적화 시간을 단축하고 노이즈 내성 성능을 향상시켜 양자 오차 특성화의 효율성을 높이는 것.

제안 방법

• 비균일 시간 샘플링을 사용한 모어레-강화 스왑 스펙트로스코피를 통해 이중차원 스왑 스펙트로스코피 데이터(TSSD)에서 비마르코프성 간섭 패턴의 주기적 특성을 증폭한다.
• 3층의 딥 신경망이 실험적 TSSD 데이터(감쇠 확률의 40×20 행렬)를 ReLU 비선형성과 함께 전방 전파하여 TLS 파라미터(λ, ω_TLS, t_p, Γ_TLS, ϕ)로 매핑한다.
• 정규 분포를 사용해 반복적으로 가중치와 편향을 변형시키는 유전적 알고리즘(EA)이 신경망을 훈련하며, 안정성과 수렴성을 확보하기 위해 학습률과 분산 파rameter를 조정한다.
• 예측된 TSSD 데이터와 측정된 TSSD 데이터 간의 L2 노름을 최소화하는 보상 함수를 기반으로 가중 평균 업데이트 규칙을 적용한다.
• 물리적 모델은 큐비트와 TLS 모두에 약한 결합된 마르코프성 환경을 포함하여 SWAP 유사 이중큐비트 게이트 동안 비마르코프성 동역학을 현실적으로 기술할 수 있다.
• 이 방법은 심한 측정 노이즈가 존재하는 상황에서도 효율적이고 강력한 TLS 파라미터 학습이 가능하며, 완전 탐색 대비 최적화 시간을 10^4배 감소시킨다.

실험 결과

연구 질문

• RQ1 주파수 조절 가능한 초전도 큐비트에서 게이트 작동 중 큐비트와 TLS 결함 간의 비마르코프성 동역학은 어떻게 모델링할 수 있는가?
• RQ2 노이즈가 있는 스왑 스펙트로스코피 데이터에서 주기적 비마르코프성 간섭 패턴의 감지 가능성을 높일 수 있는 실험 기법은 무엇인가?
• RQ3 유전적 알고리즘으로 훈련된 딥 신경망은 노이즈 민감도를 최소화하면서 실재 실험 데이터로부터 TLS 파라미터를 정확하고 강력하게 추론할 수 있는가?
• RQ4 비균일 시간 샘플링(Moiré 효과)은 필요한 데이터 포인트 수와 최적화 시간을 얼마나 줄일 수 있는가?
• RQ5 결과적으로 도출된 게이트 의존 오차 모델은 실제 TLS 상호작용 조건에서 평균 이중큐비트 게이트 품질에 어떤 영향을 미치는가?

주요 결과

• 완전 탐색 대비 최적화 시간이 10,000배 감소하여 실시간 특성화가 가능해졌다.
• 측정 노이즈에 대한 실험적 특성화 정확도가 두 개의 지수 단위 향상되어 강력성이 크게 향상되었다.
• 개발된 비마르코프성 게이트 모델은 TLS 주파수가 게이트 상호작용 주파수와 가까울 경우 평균 이중큐비트 게이트 품질이 심각하게 악화됨을 예측한다.
• 비균일 샘플링에서 유도된 모어레 효과는 간섭의 주기성을 증폭시켜 정확한 학습을 위한 데이터 포인트 수를 감소시킨다.
• 유전적 알고리즘으로 훈련된 딥 신경망은 높은 정밀도와 낮은 오차로 노이즈가 있는 TSSD 데이터를 물리적 TLS 파라미터로 성공적으로 매핑하였다.
• 노이즈가 있는 이중큐비트 게이트의 연산자 합 표현은 비결합 오차 기여도를 정량적으로 기술할 수 있으며, 오차 보정에 핵심적인 역할을 한다.