用於估計超導量子處理器哈密頓參數的新協定可以提高精度

柏林自由大學、馬裡蘭大學、NIST、Google AI 和阿布達比的研究人員著手在超導量子模擬器中穩健地估計由玻色子激發的自由哈密頓參數。他們開發的協議，在論文中概述預先發佈於arXiv，可能有助於實現超越經典電腦極限的高精度量子模擬。

論文的第一作者 Jens Eisert 告訴 Phys.org：“當我接到 Google AI 團隊朋友的電話時，我正在巴西參加一個會議。”

“他們試圖用哈密頓學習方法校準他們的 Sycamore 超導量子晶片，遇到了嚴重的障礙並尋求幫助。在模擬量子模擬思想和系統識別方法方面做了很多工作，我真的很感興趣。”

當艾塞特第一次開始考慮朋友們向他提出的問題時，他認為這個問題應該很容易解決。但他很快意識到這比預期更具挑戰性，因為團隊系統中哈密頓算子的頻率恢復得不夠準確，無法從可用數據中識別未知的哈密頓算子。

「我邀請了兩位非常聰明的博士生，Ingo Roth 和 Dominik Hangleiter，我們一起很快找到了一個使用超分辨率思想的解決方案——原則上是這樣，直到數據出現，」艾塞特說。

「然後又花了幾年時間，我們才明白如何使哈密頓學習的想法足夠強大，以便將它們應用於實際的大規模實驗。

「與此同時，另一位博士生喬納斯·福克薩(Jonas Fuksa) 也加入了進來，另外兩人早已畢業。谷歌人工智慧計畫的實驗負責人佩德拉姆·魯山(Pedram Roushan ) 堅持不懈並提供了出色的數據，這對他們很有幫助。

為了了解超導量子模擬器的哈密頓動力學，艾塞特和他的同事採用了各種技術。首先，研究人員使用超解析度（一種增強特徵值估計解析度的方法）來獲得正確的哈密頓頻率。

然後，他們使用一種稱為流形優化的技術來恢復哈密頓算子的特徵空間，實際上恢復了哈密頓算子。流形最佳化需要使用專門的最佳化演算法來解決變數位於流形（光滑和彎曲空間）而不是標準歐幾里德空間中的複雜問題。

「為了獲得可靠的估計，我們結合了許多想法，」艾塞特解釋道。

「即使了解開關的過程也很重要，因為這些過程不是完美的和瞬時的（甚至不是單一的），所以如果一個人試圖適應部分根本不是哈密爾頓的哈密頓演化，那麼就會得到一個最後，我們稱之為TensorEsprit 的新訊號處理方法允許在大型系統規模下實現穩健的恢復。

在他們的論文中，研究人員介紹了一種實現超解析度的新技術，他們稱之為 TensorEsprit。透過將此技術與流形最佳化方法結合，他們能夠穩健地識別分佈在兩個 Sycamore 處理器上的多達 14 個耦合超導量子位元的哈密頓量參數。

「在早期階段，完全理解哈密頓學習方法的重要性非常重要，」艾塞特說。

「只有極其準確地知道特徵值，才能有意義地恢復特徵空間。在該專案的後期階段，我們艱難地理解了為什麼很少有出版物提供哈密頓學習的數據：很難使其適用於實際數據。

研究人員進行的初步測試表明，他們提出的技術可以擴展並穩健地適用於大型量子處理器。他們的工作可以激發類似方法的開發，用於表徵量子處理器的哈密頓參數。

作為下一步研究的一部分，艾塞特和他的同事計劃將他們的方法應用於交互。他們也致力於將源自張量網路的類似想法應用於由冷原子組成的量子系統，該系統最初由物理學家伊曼紐爾·布洛赫（Immanuel Bloch）提出。

「我認為這個領域在未來將變得重要，」艾塞特補充道。 「一個古老但經常被低估的問題是系統的哈密頓量實際上是什麼。這個問題已經在量子力學的基礎講座中被問到了。因為即使它描述了系統的特徵，它通常也被認為是已知的，假設情況往往並非如此。

「歸根結底，實驗只會產生數據，因此，，只有準確知道哈密頓量，您才有預測能力。因此，問題是如何從數據中學習它。

除了有助於對哈密頓算子的概念理解之外，研​​究人員未來的研究還可以為量子技術的發展提供資訊。事實上，透過幫助模擬量子模擬器的表徵，他們可以為實現高精度量子模擬開闢新的途徑。

艾塞特解釋說：“模擬量子模擬允許通過在實驗室極其精確的條件下重新創建複雜的量子系統和材料，以新的方式研究它們。”

“然而，只有當你知道準確表徵系統的哈密頓量時，這個想法才有意義，並且與精確的預測相關。”

© 2024 科學 X 網絡