用于估计超导量子处理器哈密顿参数的新协议可以提高精度

柏林自由大学、马里兰大学、NIST、Google AI 和阿布扎比的研究人员着手在超导量子模拟器中稳健地估计玻色子激发的自由哈密顿参数。他们开发的协议，在论文中概述预先发布于arXiv，可能有助于实现超越经典计算机极限的高精度量子模拟。

该论文的第一作者 Jens Eisert 告诉 Phys.org：“当我接到 Google AI 团队朋友的电话时，我正在巴西参加一个会议。”

“他们试图用哈密顿学习方法校准他们的 Sycamore 超导量子芯片，遇到了严重的障碍并寻求帮助。在模拟量子模拟思想和系统识别方法方面做了很多工作，我真的很感兴趣。”

当艾塞特第一次开始考虑朋友们向他提出的问题时，他认为这个问题应该很容易解决。但他很快意识到这比预期更具挑战性，因为团队系统中哈密顿算子的频率恢复得不够准确，无法从可用数据中识别未知的哈密顿算子。

“我邀请了两位非常聪明的博士生，Ingo Roth 和 Dominik Hangleiter，我们一起很快找到了一个使用超分辨率思想的解决方案——原则上是这样，直到数据出现，”艾塞特说。

“然后又花了几年时间，我们才明白如何使哈密顿学习的想法足够强大，以便将它们应用于实际的大规模实验。

“与此同时，另一位博士生乔纳斯·福克萨 (Jonas Fuksa) 也加入了进来，另外两人早已毕业。谷歌人工智能项目的实验负责人佩德拉姆·鲁山 (Pedram Roushan) 坚持不懈并提供了出色的数据，这对他们很有帮助。最后多年后，我们找到了多年前 Zoom 电话会议中提出的问题的解决方案。”

为了了解超导量子模拟器的哈密顿动力学，艾塞特和他的同事采用了各种技术。首先，研究人员使用超分辨率（一种增强特征值估计分辨率的方法）来获得正确的哈密顿频率。

然后，他们使用一种称为流形优化的技术来恢复哈密顿算子的特征空间，实际上恢复了哈密顿算子。流形优化需要使用专门的优化算法来解决变量位于流形（光滑和弯曲空间）而不是标准欧几里得空间中的复杂问题。

“为了获得可靠的估计，我们结合了许多想法，”艾塞特解释道。

“即使了解开关的过程也很重要，因为这些过程不是完美的和瞬时的（甚至不是单一的），所以如果一个人试图适应部分根本不是哈密尔顿的哈密顿演化，那么就会得到一个最后，我们称之为 TensorEsprit 的新信号处理方法允许在大型系统规模下实现稳健的恢复。”

在他们的论文中，研究人员介绍了一种实现超分辨率的新技术，他们将其称为 TensorEsprit。通过将该技术与流形优化方法相结合，他们能够稳健地识别分布在两个 Sycamore 处理器上的多达 14 个耦合超导量子位的哈密顿量参数。

“在早期阶段，完全理解哈密顿学习方法的重要性非常重要，”艾塞特说。

“只有极其准确地知道特征值，才能有意义地恢复特征空间。在该项目的后期阶段，我们艰难地理解了为什么很少有出版物提供哈密顿学习的数据：很难使其适用于实际数据。”

研究人员进行的初步测试表明，他们提出的技术可以扩展并稳健地适用于大型量子处理器。他们的工作可以激发类似方法的开发，用于表征量子处理器的哈密顿参数。

作为下一步研究的一部分，艾塞特和他的同事计划将他们的方法应用于交互。他们还致力于将源自张量网络的类似想法应用于由冷原子组成的量子系统，该系统最初由物理学家伊曼纽尔·布洛赫（Immanuel Bloch）提出。

“我认为这个领域在未来将变得重要，”艾塞特补充道。 “一个古老但经常被低估的问题是系统的哈密顿量实际上是什么。这个问题已经在量子力学的基础讲座中被问到了。因为即使它描述了系统的特征，它通常也被认为是已知的，假设情况往往并非如此。

“归根结底，实验只会产生数据，因此，，只有准确知道哈密顿量，您才有预测能力。因此，问题是如何从数据中学习它。”

除了有助于对哈密顿算子的概念理解之外，研​​究人员未来的研究还可以为量子技术的发展提供信息。事实上，通过帮助模拟量子模拟器的表征，他们可以为实现高精度量子模拟开辟新的途径。

艾塞特解释说：“模拟量子模拟允许通过在实验室极其精确的条件下重新创建复杂的量子系统和材料，以新的方式研究它们。”

“然而，只有当你知道准确表征系统的哈密顿量时，这个想法才有意义，并且与精确的预测相关。”

© 2024 科学 X 网络