La ingeniería cuántica se sitúa en la intersección de la mecánica cuántica fundamental y el diseño práctico de la ingeniería, con el objetivo de construir dispositivos que apalanquen la superposición, el enredo y la coherencia para un rendimiento sin precedentes en la computación, comunicación y detección. En el corazón de estos sistemas se encuentra el desafío de controlar las dinámicas cuánticas con extrema precisión.

Comprensión del control cuántico

El control cuántico se refiere a la capacidad de manipular la evolución de un sistema cuántico —normalmente a través de campos externos dependientes del tiempo— para lograr un objetivo operativo específico. Ejemplos incluyen la preparación de un cuarto en una superposición particular, la implementación de una puerta lógica cuántica, o la transferencia de un estado entre dos nodos en una red cuántica. La ecuación fundamental que rige estas dinámicas es la ecuación de entrada de Schrödinger, o, para sistemas abiertos

La dificultad surge porque los sistemas cuánticos son inherentemente frágiles. La decoherencia, causada por interacciones incontroladas con el medio ambiente, causa la pérdida de información cuántica. Además, las mediciones cuánticas perturban el estado, haciendo que la retroalimentación de cierre cerrado sea desafiante. Control de apertura, donde los pulsos se diseñen sobre la base de un modelo y luego se aplican sin retroalimentación en tiempo real, es por lo que el paradigma dominante para muchas tareas de control de control de control de calidad hápocas.

Conceptos clave: Fidelidad y Robustidad

La fidelidad cuantifica cuan bien coincide con el estado objetivo deseado. Para operaciones unitarias, la fidelidad de la puerta mide la superposición entre las matrices unitarias implementadas e ideales. La robustitud describe la capacidad de una ley de control para mantener alta fidelidad a pesar de las variaciones en los parámetros de la deriva robusta.

Principios de diseño para leyes de control óptimo

La teoría del control óptimo proporciona un marco riguroso para diseñar leyes de control que extremicen un costo funcional —normalmente una combinación de infidelidad, energía de control y duración del estado final. El objetivo es encontrar los campos de control u(t)] que minimizan un índice de rendimiento J sujeto a la guía de varios principios del sistema.

  • Principio Máximo de Pontryagin (PMP): Una condición necesaria para la óptimaidad, PMP introduce un conjunto de variables de estado co-estado y produce un sistema Hamiltoniano de ecuaciones. Resolver estos problemas de valor límite puede producir soluciones óptimas a nivel mundial para sistemas lisos, aunque los métodos numéricos son generalmente necesarios.
  • Control Bilineal: La mayoría de los problemas de control cuántico son bilineales: el sistema evoluciona bajo una dinámica Hamiltoniana de deriva (diámica interna) más un control Hamiltoniano multiplicado linealmente por el campo de control. Esta estructura se presta a la optimización basada en el gradiente.
  • ] Manifestación de ancho y amplificación: Las aplicaciones realistas imponen límites a la amplitud máxima y la tasa de cambio de campo. Las leyes de control óptimas deben respetar estas limitaciones de hardware para ser implementables físicamente.

Algoritmos de base de ingredientes

Métodos como GRAPE (Gradient Ascent Pulse Engineering) descreten el campo de control en el tiempo y computan el gradiente de la función de coste con respecto a cada punto de tiempo utilizando la ecuación Schrödinger o el superoperador Liouville. El gradiente se utiliza para actualizar el pulso iterante. El GRAPE es ampliamente adoptado para diseñar pulsos en la resonancia magnética nuclear (NMR), superconductingir

Algoritmos genéticos y evolutivos

Cuando el paisaje de control es resistente o el gradiente no está disponible (por ejemplo, debido a las evaluaciones de costos de la caja negra), los métodos estocásticos como algoritmos genéticos (GA) pueden ser eficaces. GA evoluciona una población de secuencias de control de candidatos mediante la selección, cruce y mutación. Mientras que computacionalmente intensivos, son robustos a la minima local y pueden incorporar restricciones arbitrarias.

Técnicas de aprendizaje de máquinas

El aprendizaje de refuerzo (RL) y las redes neuronales profundas ofrecen una alternativa basada en datos. En RL, un agente aprende las políticas de control mediante la interacción con un simulador (o el sistema real) al maximizar la recompensa a largo plazo. Las redes Q profundas y los métodos de gradiente de políticas se han aplicado a la preparación de estados cuánticos y la optimización de las puertas.

Nota:] Se puede encontrar una revisión completa de las técnicas de control óptimas para los sistemas cuánticos en Koch et al., 2022, Communicaciones Físicas .

Marco matemático: desde Schrödinger hasta Control Optimal

[LT] [LT] [FLT] [L] [L] [L] [L] [L] [L] [L]] [L] [L]] [L] [L] [L] [L] [L]] [L] [L]]

Principio Máximo de Pontryagin en Control Cuántico

PMP proporciona las condiciones necesarias para la óptimaidad mediante la introducción de un operador costado P(t) (o estado adyacente). El control óptimo maximiza al Hamiltoniano del sistema de control en cada momento t, generalmente expresado como H = QUIP, -i[H,ρ] Ser] Para las puertas unitarias, se minimiza la infidelidad

Método de Krotov

El método de la herramienta de la prueba de la producción de material (TXT) es un algoritmo iterativo derivado de la PMP, utilizando un esquema de propagación hacia adelante. Inicialmente desarrollado para el control cuántico de las reacciones químicas, se ha extendido a sistemas abiertos y optimización de las puertas.

Programación dinámica diferencial (DDP) e iLQR

Para los problemas de control no lineal con los modelos, regulador lineal-quadratic iterante (iLQR) y DDP ofrecen actualizaciones eficientes de segundo orden (Newton). En ingeniería cuántica, estos métodos computan al Hesiano del costo con respecto a los controles, permitiendo una convergencia más rápida cerca del óptimo. Son particularmente útiles cuando los campos de control son de alta dimensión y el paisaje de coste es casi cuadrático.

Control Robusto y Mitigación de ruido

Los sistemas cuánticos del mundo real sufren de incertidumbre del parámetro (por ejemplo, cambio de frecuencia de qubit, fluctuación de acoplamiento) y ruido estocástico (por ejemplo, ruido de 1/f, fotones térmicos). La elaboración de leyes de control que son robustas a estas imperfecciones es esencial para la tecnología cuántica escalable. Existen dos estrategias principales:

  • Optimización de la red: Formular el costo como promedio sobre un conjunto de parámetros del sistema que se muestra de una distribución de probabilidad. Este enfoque de “control de conjunto” produce una única ley de control que funciona bien a través del rango.
  • Pulses de composición y desacoplamiento dinámico: Estas son secuencias analíticas y de duración fija que cancelan errores a primera o segunda orden. Por ejemplo, las familias BB1 y SK1 de pulsos compuestos correctos para la interacción de fases sistemáticas. Desacoplamiento dinámico (por ejemplo, errores de resupresión de carr-Purcelli periódicamente

Una poderosa combinación es utilizar el control óptimo para diseñar los bloques de construcción fundamentales (por ejemplo, las puertas) y luego secuencias compuestas de capas para una robustez adicional. Plataformas modernas de control cuántico, como las utilizadas para iones atrapados y centros de vacuencia de nitrógeno, emplean habitualmente tales técnicas híbridas.

Aplicaciones en Tecnologías Cuánticas

Las leyes de control eficaces son el motor detrás de muchos avances en la informática cuántica, simulación, detección y comunicación. A continuación se analizan las áreas clave de aplicación en más detalle.

Puertas Cuánticas de alta fidelidad

Los equipos de pulsos se basan en un conjunto universal de puertas que deben operar con fidelidades superiores al umbral de error de código superficial (típicamente не99.9% para puertas de un codo, не99.0% para puertas de dos codos).El control óptimo ha permitido demostraciones experimentales de puertas de dos codos con fidelidades superiores al 99,9% en circuitos superconductores usando iSWAP y CRLT

Preparación del Estado cuántico

Iniciando qubits a un estado puro conocido (por ejemplo, Г0 graves) es un requisito para la mayoría de los algoritmos. El control óptimo puede acelerar la preparación del estado manteniendo alta fidelidad, por ejemplo, transferir un estado de equilibrio térmico a un estado puro mediante ciclos de enfriamiento óptimos. En la detección cuántica, preparar la coherencia de larga vida y los enfoques GHZ permite una mayor sensibilidad.

Mitigación de la decoherencia y supresión de errores

El ruido ambiental sigue siendo el principal obstáculo para la computación cuántica escalable. El control óptimo puede diseñar pulsos inherentemente robustos a canales de ruido específicos, por ejemplo, las obras en “puertas cuánticas rotas usando control óptimo con huellas dactilares de ruido” (ver Phys. Rev. Investigación 2, 023141 (2020)).

Comunicación y red cuántica

En las redes cuánticas, se necesitan leyes de control para la transferencia de estado de alta fidelidad entre los ganglios distantes, a menudo mediados por los qubits voladores (fotones). El control óptimo determina la forma temporal de los paquetes de ondas para maximizar la absorción y la eficiencia de las emisiones. Para los repetidores cuánticos, las secuencias de control para los conjuntos atómicos que generan enredo heralado deben ser optimizados para maximizar la probabilidad de éxito al suprimir los estudios de la cadena.

Desafíos actuales y futuras direcciones

A pesar de los avances significativos, quedan varios desafíos en la elaboración de leyes de control óptimas para la ingeniería cuántica:

  • Scalability: La mayoría de los métodos de optimización escalan exponencialmente con el número de qubits debido al crecimiento exponencial del espacio Hilbert. Para sistemas de muchos codos, uno debe recurrir a aproximaciones (por ejemplo, estados de productos de matriz, estados cuánticos neuronales) o encontrar leyes de control que apalancan simetrías.
  • ]Hardware Compliance: Los pulsos de control diseñados en simulación a menudo violan las limitaciones de hardware como el tiempo máximo de aumento, la tasa de muestreo y la radiografía. Integrar los modelos de hardware en la optimización es un área activa, por ejemplo, utilizando modelos SPICE realistas para electrónica criogénica.
  • Optimización del tiempo real: Para el control de cierre o adaptabilidad, la optimización debe ser lo suficientemente rápida como para rastrear las derivas ambientales. Las implementaciones basadas en FPGA de optimización de gradientes y control predictivo de modelos están surgiendo, pero la robustez sigue siendo un problema.
  • Open Systems and Non-Markovianity: Muchos problemas de control para los sistemas cuánticos abiertos asumen ruido markoviano (sin memoria). Los entornos no markovianos requieren formulaciones de costos más complejas, y el control óptimo para estos casos es menos bien entendido.

Mirando hacia adelante, la convergencia de control cuántico con el aprendizaje de la máquina, especialmente el aprendizaje de refuerzo profundo y los modelos generativos, probablemente producirá nuevas clases de leyes de control que son eficientes y robustas. Los avances en hardware cuántico, incluyendo dispositivos de control cercano a plazo, también se beneficiarán de flujos de trabajo de control óptimos ajustados.El objetivo final es permitir que los sensores cuánticos tolerantes de falla y prácticos de cuántica no funcionen.

Conclusión

Diseñar leyes de control óptimo es una parte indispensable de la ingeniería cuántica, permitiendo la manipulación precisa de sistemas cuánticos necesarios para las tecnologías de próxima generación. Desde marcos matemáticos fundamentales como PMP y el método de Krotov hasta la optimización avanzada mediante el aprendizaje automático, el campo ofrece un conjunto rico de herramientas para construir soluciones de control de alta fidelidad y robusta.