[论文解读] 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 12

一句话总结

本文提出一种深度进化算法（DNN-EA），结合莫尔增强交换光谱法与神经网络，从超导量子比特的实验数据中鲁棒地学习非马尔可夫量子噪声。通过利用非均匀采样放大的周期性干涉图案，该方法实现比穷举搜索快10,000倍的优化速度，并将噪声鲁棒性提高两个数量级，从而实现实时量子控制中对两能级系统（TLS）缺陷和与门相关的误差的精确表征。

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.

研究动机与目标

• 开发频率可调Transmon量子比特在门操作期间，量子比特与两能级系统（TLS）缺陷之间非马尔可夫动力学的物理基础模型。
• 解决TLS诱导退相干在分钟至小时时间尺度上波动时缺乏准确、与门相关的误差模型的问题。
• 利用量子比特作为传感器，实现实时表征环境缺陷（TLS）和控制波形非理想性。
• 从噪声实验数据中以最小运行时间实现鲁棒且高精度的TLS参数学习。
• 通过在时间采样中利用莫尔效应，减少优化时间并提高量子误差表征的噪声鲁棒性。

提出的方法

• 该方法使用莫尔增强交换光谱法结合非均匀时间采样，放大二维交换光谱数据（TSSD）中的周期性非马尔可夫干涉图案。
• 一个三层深度神经网络通过前向传播与ReLU非线性激活，将实验TSSD数据（40×20的衰减概率矩阵）映射到TLS参数（λ, ω_TLS, t_p, Γ_TLS, ϕ）。
• 进化算法（EA）通过迭代扰动权重和偏置（使用正态分布）来训练神经网络，学习率与方差参数经调优以保证稳定性和收敛性。
• EA采用基于奖励函数的加权平均更新规则，以最小化预测与测量TSSD数据之间的L2范数。
• 物理模型对量子比特和TLS均引入弱耦合马尔可夫环境，从而在SWAP类两量子比特门期间提供非马尔可夫动力学的现实描述。
• 该方法即使在显著测量噪声下，也能实现高效、鲁棒的TLS参数学习，相比穷举搜索将所需优化时间减少10^4倍。

实验结果

研究问题

• RQ1 在频率可调超导量子比特的门操作期间，如何对量子比特与TLS缺陷之间的非马尔可夫动力学进行建模？
• RQ2 何种实验技术可增强在噪声交换光谱数据中周期性非马尔可夫干涉图案的可检测性？
• RQ3 通过进化算法训练的深度神经网络能否从真实实验数据中准确且鲁棒地推断TLS参数，且对噪声敏感度极低？
• RQ4 非均匀时间采样（莫尔效应）在多大程度上减少了所需数据点数量与优化时间？
• RQ5 所得到的与门相关的误差模型在真实TLS相互作用下，对平均两量子比特门保真度有何影响？

主要发现

• 与穷举搜索相比，该方法将所需优化时间减少10,000倍，实现了实时表征。
• 该方法在测量噪声下将实验表征精度提高了两个数量级，显著增强了鲁棒性。
• 所开发的非马尔可夫门模型预测：当TLS频率接近门相互作用频率时，平均两量子比特门保真度出现显著下降。
• 非均匀采样产生的莫尔效应放大了干涉周期性，减少了准确学习所需的样本点数量。
• 通过进化算法训练的深度神经网络成功地将噪声TSSD数据映射到物理TLS参数，具有高保真度与低误差。
• 噪声两量子比特门的算子求和表示提供了对非相干误差贡献的定量描述，这对误差缓解至关重要。