[论文解读] Autonomous adaptive noise characterization in quantum computers

Riddhi Swaroop Gupta, Alistair R. Milne+3 more|arXiv (Cornell University)|Apr 15, 2019

Quantum Computing Algorithms and Architecture参考文献 48被引用 5

一句话总结

该论文提出了面向量子架构的噪声映射（NMQA），这是一种自主、自适应的学习框架，通过智能调度传感器量子比特上的测量，利用双层粒子滤波器高效映射多量子比特量子处理器中的空间噪声场。该方法在仿真中将测量开销减少了最多18倍，在实验中减少了3倍，相比暴力映射方法，实现了更快、更精确的噪声表征，从而提升退相干抑制效果。

ABSTRACT

New quantum computing architectures consider integrating qubits as sensors to provide actionable information useful for decoherence mitigation on neighboring data qubits, but little work has addressed how such schemes may be efficiently implemented in order to maximize information utilization. Techniques from classical estimation and dynamic control, suitably adapted to the strictures of quantum measurement, provide an opportunity to extract augmented hardware performance through automation of low-level characterization and control. In this work, we present an autonomous learning framework, Noise Mapping for Quantum Architectures (NMQA), for adaptive scheduling of sensor-qubit measurements and efficient spatial noise mapping (prior to actuation) across device architectures. Via a two-layer particle filter, NMQA receives binary measurements and determines regions within the architecture that share common noise processes; an adaptive controller then schedules future measurements to reduce map uncertainty. Numerical analysis and experiments on an array of trapped ytterbium ions demonstrate that NMQA outperforms brute-force mapping by up-to $18$x ($3$x) in simulations (experiments), calculated as a reduction in the number of measurements required to map a spatially inhomogeneous magnetic field with a target error metric. As an early adaptation of robotic control to quantum devices, this work opens up exciting new avenues in quantum computer science.

研究动机与目标

• 为在实施噪声抑制策略之前，有效表征多量子比特量子处理器中空间非均匀的噪声场提供解决方案。
• 开发一种自主、实时的框架，最小化测量开销，同时最大化从传感器量子比特的投影测量中获得的信息量。
• 实现有效的噪声相关长度估计与空间映射，以支持对数据量子比特的针对性反馈控制。
• 克服传统暴力映射策略的局限性，后者需要过多测量，且无法适应空间噪声的非均匀性。
• 将经典估计与控制技术集成到量子固件中，实现在NISQ时代量子硬件中可扩展的、自动化的噪声表征。

提出的方法

• NMQA采用双层粒子滤波器架构：一层用于追踪空间噪声场（F_t），另一层用于追踪测量结果及其不确定性（R_t）。
• 该框架使用具有两部分的分层似然模型：g₁(λ₁, Yₜ⁽ʲ⁾) 用于测量一致性，g₂(λ₂, Qₜ) 用于空间相关性，从而实现在粒子之间的信息共享。
• 在每个时间步，算法根据似然值计算粒子权重，并通过重采样保持粒子数量恒定，确保计算效率。
• 一个实时自适应控制器基于最大化信息效用，选择下一个测量位置，从而迭代减少噪声图的不确定性。
• 系统使用结构相似性指数（SSIM）度量来评估地图精度，并基于真实噪声场优化算法参数。
• 该方法在模拟的1D和2D量子比特阵列上实现，并利用囚禁离子量子处理器的实验性Ramsey数据进行了验证。

实验结果

研究问题

• RQ1 如何通过自主、自适应的测量调度，减少映射量子处理器中空间非均匀噪声场所需的测量次数？
• RQ2 与暴力映射相比，双层粒子滤波框架在多大程度上能提升噪声图的准确性和收敛速度？
• RQ3 通过基于粒子的状态估计，传感器量子比特之间的信息共享是否能有效捕捉噪声场的空间相关长度？
• RQ4 在仿真和实验中，NMQA框架在不同噪声场非均匀性和系统规模下的性能如何扩展？
• RQ5 在实时、闭环的量子固件环境中，测量成本与地图保真度之间应如何实现最优平衡？

主要发现

• 在数值仿真中，NMQA相比暴力映射将所需测量次数最多减少18倍，同时达到相同的靶向误差指标。
• 在使用1D囚禁离子阵列的实验验证中，NMQA相比暴力策略将测量次数减少了3倍。
• 该算法成功以高保真度映射了空间非均匀的磁场，SSIM平均值接近1，表明其精度优异。
• 双层粒子滤波器实现了传感器量子比特之间的有效信息共享，从而能够准确估计噪声相关长度。
• 自适应控制器动态选择高信息效用的测量位置，显著优于均匀或随机的测量调度策略。
• 该框架在1D和2D量子比特架构中均表现出鲁棒性，表明其在中等规模量子设备中具备良好的可扩展潜力。