[论文解读] A general-purpose single-photon-based quantum computing platform

Nicolas Maring, Andreas Fyrillas+25 more|arXiv (Cornell University)|Jun 1, 2023

Neural Networks and Reservoir Computing被引用 8

一句话总结

Ascella 平台展示了基于可重新配置的12模光芯片上的六个单光子构成的通用量子计算机的用户就绪版本，单量子比特门保真度高达 99.6%，两量子比特门为 93.8%，三量子比特门为 86%，并具备 VQE、光子原生分类、6 光子 Boson Sampling，以及引发态三光子 GHZ 发生等能力。

ABSTRACT

Quantum computing aims at exploiting quantum phenomena to efficiently perform computations that are unfeasible even for the most powerful classical supercomputers. Among the promising technological approaches, photonic quantum computing offers the advantages of low decoherence, information processing with modest cryogenic requirements, and native integration with classical and quantum networks. To date, quantum computing demonstrations with light have implemented specific tasks with specialized hardware, notably Gaussian Boson Sampling which permitted quantum computational advantage to be reached. Here we report a first user-ready general-purpose quantum computing prototype based on single photons. The device comprises a high-efficiency quantum-dot single-photon source feeding a universal linear optical network on a reconfigurable chip for which hardware errors are compensated by a machine-learned transpilation process. Our full software stack allows remote control of the device to perform computations via logic gates or direct photonic operations. For gate-based computation we benchmark one-, two- and three-qubit gates with state-of-the art fidelities of $99.6\pm0.1 \%$, $93.8\pm0.6 \%$ and $86\pm1.2 \%$ respectively. We also implement a variational quantum eigensolver, which we use to calculate the energy levels of the hydrogen molecule with high accuracy. For photon native computation, we implement a classifier algorithm using a $3$-photon-based quantum neural network and report a first $6$-photon Boson Sampling demonstration on a universal reconfigurable integrated circuit. Finally, we report on a first heralded 3-photon entanglement generation, a key milestone toward measurement-based quantum computing.

研究动机与目标

• 在可重新配置的芯片上演示一个通用的、可直接使用的单光子量子计算原型。
• 在多达六个光子时，展示高保真度的门基和光子原生计算。
• 将门保真度与现有平台进行基准对比，并演示中尺度量子任务（VQE、Boson Sampling、量子神经网络）。
• 提供软件栈与云访问，支持远程任务提交与结果检索。

提出的方法

• 利用按需的量子点单光子源，在通过主动解分路器将六个光子同步输入到模式中。
• 在12模Si3N4通用干涉仪上干涉光子，配备126个热光学相位移器和132个定向耦合器。
• 实现机器学习辅助的转译/编译，补偿硬件误差并将用户任务映射到芯片控制。
• 通过拟合热光学模型ϕ = A V ⊙2 + b并学习A和b来表征并优化芯片控制以最大化单位保真度。
• 采用基于Perceval的云框架进行远程作业提交（PC、GB或U），并收集输出 coincidences 以供分析。
• 通过对称性基础的有限采样保真度方法进行门基准测试，以获得1、2、3量子比特门的平均保真度Favg(U)。
• 演示氢分子(H2)的变分量子特征值求解器(VQE)，通过经典-量子反馈优化参数。
• 探索在5模上使用3个光子和部分光子数分辨的光子原生计算的量子神经网络。
• 在可重构芯片上执行6光子Boson Sampling 实验，并与理想分布进行比较。
• 在芯片上演示引导的3光子GHZ态生成，作为测量基于量子计算的里程碑。

实验结果

研究问题

• RQ1 Ascella 上实现的1、2、3量子比特门的保真度是多少，与其他平台相比如何？
• RQ2 六光子片上光子处理器是否能以高稳定性和远程可操作性支持门基和光子原生计算？
• RQ3 是否可能在单一集成平台上通过云访问执行非经典光子任务（VQE、量子神经网络、Boson Sampling、引导 GHZ）？
• RQ4 机器学习辅助转译在抵消 fabrication 与热串扰误差、达到高单位保真度方面有多有效？

主要发现

• 1量子比特门保真度为 99.6 ± 0.1%，2量子比特门 CNOT 为 93.8 ± 0.6%，3量子比特门 Toffoli 为 86 ± 1.2%。
• 演示了氢分子(H2)的变分量子特征值求解，在50–100次迭代后得到基态能量误差在 ±0.01 Hartree 内。
• 芯片上六光子 Boson Sampling 的保真度约为 0.97 ± 0.03，总变差距离约为 ≈ 0.16 ± 0.02。
• 在IRIS数据上训练的光子原生量子分类器实现训练准确率 0.92、测试准确率 0.95。
• 芯片上引导的3光子GHZ态生成保真度为 0.82 ± 0.04，标志着基于测量的量子计算的一个关键里程碑。
• 实现6光子处理的速率为4 Hz，且在数周的长期稳定性与高光子不可区分性 (~94%) 下表现良好。