[论文解读] Beyond Quantum Noise Spectroscopy: modelling and mitigating noise with quantum feature engineering

Akram Youssry, GA Paz-Silva+1 more|arXiv (Cornell University)|Mar 15, 2020

Quantum Information and Cryptography参考文献 52被引用 5

一句话总结

本文提出了一种新颖的量子特征工程框架，将量子力学原理整合到深度学习模型中，以建模和缓解开放量子系统中的噪声。通过将已知的量子动力学嵌入白盒层，并利用黑盒神经网络学习未知的噪声/控制依赖关系，该方法实现了对量子比特动力学的高精度预测，并能够执行诸如动态解耦等量子控制任务，其灵活性和实际应用性优于传统的量子噪声谱分析。

ABSTRACT

The ability to use quantum technology to achieve useful tasks, be they scientific or industry related, boils down to precise quantum control. In general it is difficult to assess a proposed solution due to the difficulties in characterising the quantum system or device. These arise because of the impossibility to characterise certain components in situ, and are exacerbated by noise induced by the environment and active controls. Here we present a general purpose characterisation and control solution making use of a novel deep learning framework composed of quantum features. We provide the framework, sample data sets, trained models, and their performance metrics. In addition, we demonstrate how the trained model can be used to extract conventional indicators, such as noise power spectra.

研究动机与目标

• 开发一种机器学习框架，用于在不依赖于量子噪声谱分析中常见限制性假设的前提下，对开放量子系统中的噪声进行建模和缓解。
• 构建一种混合灰盒模型，其中将量子力学定律编码为白盒层，未知的噪声/控制依赖关系则通过黑盒神经网络学习。
• 实现在用户定义的控制脉冲和环境噪声下对量子比特动力学的精确预测，即使噪声特性未知或复杂亦可。
• 展示该框架能够提取传统的量子控制指标，如噪声功率谱，并实现动态解耦。
• 提供一种通用、实验相关的量子系统表征与控制解决方案，独立于特定的噪声模型或控制假设。

提出的方法

• 该框架采用混合架构：将量子力学关系（例如，时变哈密顿量下的时间演化）作为自定义白盒层嵌入，以确保物理一致性。
• 模型输入包括控制脉冲（fα(t)）、初始态、测量算符和时间演化参数，输出为预测的密度矩阵或期望值。
• 黑盒部分采用门控循环单元（GRUs）从模拟训练数据中学习复杂的非马尔可夫噪声依赖关系，从而实现对未见噪声实现的泛化。
• 模型在使用量子模拟器生成的合成数据集上进行端到端训练，该模拟器模拟了在经典噪声和用户定义控制脉冲作用下的两能级系统。
• 通过与精确解对比并提取标准量子控制指标（如噪声功率谱），对框架进行验证。
• 通过基于梯度的分析，增强模型的可解释性，实现噪声特性反演和控制优化。

实验结果

研究问题

• RQ1 能否通过将量子力学定律作为白盒组件嵌入的机器学习模型，在建模复杂非马尔可夫噪声方面优于传统的量子噪声谱分析？
• RQ2 该混合灰盒模型在保持物理一致性的同时，能在多大程度上学习未知的噪声和控制依赖关系？
• RQ3 训练后的模型是否能够无需显式谱分解即可提取传统的量子控制指标（如噪声功率谱）？
• RQ4 在动态解耦背景下，该模型对未见的噪声实现和控制序列的泛化能力如何？
• RQ5 在不事先掌握噪声谱的情况下，该模型是否可用于设计有效的退相干抑制控制序列？

主要发现

• 在所有测试数据集中，该模型在最坏情况下的预测误差低于 10⁻²，平均误差低于 10⁻³，最佳情况误差达到 10⁻⁵，表明其具有高精度。
• 该模型成功从预测中提取出噪声功率谱，表明其与标准量子噪声谱分析指标兼容，且无需显式谱分析。
• 训练后的模型能够生成有效的动态解耦序列，在各种噪声条件下显著抑制了模拟量子比特动力学中的退相干。
• 该框架对未见的噪声实现和控制脉冲序列具有良好的泛化能力，表明其对训练数据中的分布偏移具有鲁棒性。
• 该模型在多种控制协议（如 CPMG、XY7、GXY）下表现一致，证实其多功能性及在真实实验平台中的适用性。
• 将量子特征整合到神经网络架构中，既保持了深度学习的表征能力，又确保了物理一致性，其在可解释性和准确性方面优于纯黑盒模型。