L'ingénierie quantique se situe à l'intersection de la mécanique quantique fondamentale et de la conception pratique, visant à construire des dispositifs qui tirent parti de la superposition, de l'enchevêtrement et de la cohérence pour des performances sans précédent en informatique, communication et détection. Au cœur de ces systèmes se trouve le défi de contrôler la dynamique quantique avec une extrême précision. La conception de lois de contrôle optimales qui peuvent orienter les états quantiques des configurations initiales aux cibles désirées avec une grande fidélité, tout en minimisant la consommation de ressources et en résistant au bruit environnemental, est une pierre angulaire du développement moderne de la technologie quantique.

Comprendre le contrôle quantitatif

Le contrôle quantique désigne la capacité de manipuler l'évolution d'un système quantique – généralement à travers des champs externes dépendants du temps – pour atteindre un objectif opérationnel précis.Par exemple, préparer un qubit dans une superposition particulière, mettre en œuvre une porte logique quantique ou transférer un état entre deux nœuds dans un réseau quantique. L'équation fondamentale qui régit cette dynamique est l'équation Schrödinger dépendante du temps, ou, pour les systèmes ouverts, l'équation maître Lindblad.

La difficulté se pose parce que les systèmes quantiques sont intrinsèquement fragiles. La décohérence, causée par des interactions incontrôlées avec l'environnement, entraîne la perte d'information quantique. De plus, les mesures quantiques perturbent l'état, rendant difficile la rétroaction en boucle fermée. Le contrôle en boucle ouverte, où les impulsions sont conçues sur la base d'un modèle puis appliquées sans retour en temps réel, est donc le paradigme dominant pour de nombreuses tâches quantiques.

Concepts clés : Fidélité et robustesse

La fidélité quantifie la mesure dans laquelle l'état final réel correspond à l'état cible désiré. Pour les opérations unitaires, la fidélité de la porte mesure le chevauchement entre les matrices unitaires mises en œuvre et idéales. La robustesse décrit la capacité d'une loi de contrôle à maintenir une fidélité élevée malgré les variations des paramètres du système (p. ex., dérive de fréquence qubit, forces de couplage) ou la présence de bruit.Ces deux paramètres sont souvent échangés : une maîtrise très robuste peut sacrifier une fidélité idéale pour assurer une performance cohérente dans une gamme de conditions.

Principes de conception pour les lois de contrôle optimal

La théorie du contrôle optimal fournit un cadre rigoureux pour la conception de lois de contrôle qui extrêment un coût fonctionnel – généralement une combinaison de l'infidélité, de l'énergie de contrôle et de la durée. L'objectif est de trouver les champs de contrôle u(t) qui minimisent un indice de performance J[ soumis aux équations dynamiques du système.

  • Pontryagin's Maximum Principe (PMP):[ Une condition nécessaire pour l'optimalité, PMP introduit un ensemble de variables co-état et produit un système d'équations Hamiltonien. Résoudre ces problèmes de valeur limite peut produire des solutions globales optimales pour les systèmes lisses, bien que des méthodes numériques soient habituellement nécessaires.
  • La plupart des problèmes quantiques de contrôle sont bilinéaires : le système évolue sous une dérive Hamiltonienne (dynamique interne) plus un contrôle Hamiltonien multiplié linéairement par le champ de contrôle. Cette structure se prête à l'optimisation basée sur le gradient.
  • Contraintes de largeur et d'amplitude : Les applications réalistes imposent des limites à l'amplitude maximale du champ et au taux de changement. Les lois de contrôle optimales doivent respecter ces contraintes matérielles pour être physiquement implémentables.

Algorithmes à base de graduants

Des méthodes comme GRAPE (Gradient Ascent Pulse Engineering) discriminent le champ de contrôle dans le temps et calculent le gradient de la fonction de coût par rapport à chaque point de temps à l'aide de l'équation Schrödinger ou du superopérateur Liouville. Le gradient est ensuite utilisé pour mettre à jour l'impulsion itérative. GRAPE est largement adopté pour concevoir des impulsions en résonance magnétique nucléaire (RMN), qubits supraconducteurs et ions piégés.

Algorithmes génétiques et évolutionnaires

Lorsque le paysage de contrôle est robuste ou que le gradient n'est pas disponible (par exemple en raison d'évaluations de coûts en boîtes noires), des méthodes stochastiques comme les algorithmes génétiques (GA) peuvent être efficaces. GA évolue une population de séquences de contrôle des candidats par sélection, croisement et mutation.

Techniques d'apprentissage automatique

Dans RL, un agent apprend les politiques de contrôle par l'interaction avec un simulateur (ou le système réel) en maximisant la récompense à long terme. Des réseaux Q profonds et des méthodes de gradient de politique ont été appliqués à la préparation de l'état quantique et à l'optimisation des portes. Un avantage clé est la capacité d'adaptation à des environnements qui varient lentement lorsqu'ils sont combinés à des mises à jour en boucle fermée.

Note: Un examen complet des techniques de contrôle optimales pour les systèmes quantiques se trouve dans Koch et al., 2022, Communications Physique[.

Cadres mathématiques: de Schrödinger à un contrôle optimal

H(t) = H0 + -jj(t) Hj, où H0 est la dérive (interne) Hamiltonienne et Hj] sont des opérateurs de contrôle. L'état d'un système pur évolue par l'équation de Schrödinger i/dt="]]][F=F=F=FLT:00][

Le principe maximal de Pontryagin en matière de contrôle quantique

Le PMP fournit les conditions nécessaires à l'optimalité en introduisant un opérateur de coûts P(t) (ou un état apparent). Le contrôle optimal maximise le Hamiltonien du système de contrôle à chaque fois t, habituellement exprimé comme H = -P, -i[H,ρ]-. Pour les portes unitaires, on minimise l'infidélité J = 1 ---Tr(U]cible† U(T))-------------------------------------------------------------------------------------------------------------------------------

Méthode de Krotov

La méthode Krotov est un algorithme itératif dérivé de PMP, utilisant un schéma de propagation vers l'avant. Initialement développé pour le contrôle quantique des réactions chimiques, il a été étendu à des systèmes ouverts et à l'optimisation de la barrière. L'algorithme met à jour les champs de contrôle en intégrant l'équation Schrödinger en avant de l'état initial et vers l'arrière de l'état cible, puis en ajustant le champ pour réduire monotoniquement le coût. La méthode Krotov garantit la convergence monotonique et est largement utilisée dans la boîte à outils quantique QuTiP. Pour un tutoriel détaillé, voir Goerz et al., 2021, arXiv:2102.00919.

Programmation dynamique différentielle (DDP) et iLQR

Pour les problèmes de contrôle non linéaire avec les modèles, le régulateur linéaire-quadratique itératif (iLQR) et DDP offrent des mises à jour efficaces de deuxième ordre (Newton). En ingénierie quantique, ces méthodes calculent le coût du contrôle par rapport au contrôle, permettant une convergence plus rapide près de l'optimum.

Lutte contre les bruits et lutte contre les bruits

Les systèmes quantiques du monde réel souffrent d'incertitudes de paramètres (par exemple, déplacement de fréquence qubit, fluctuation des couplages) et de bruit stochastique (par exemple, bruit de charge 1/f, photons thermiques).

  • Robust Optimisation:[ Formuler le coût en moyenne sur un ensemble de paramètres système échantillonnés à partir d'une distribution de probabilités. Cette approche -un contrôle sensible donne une loi de contrôle unique qui fonctionne bien dans toute la gamme.
  • Pulses composites et découplage dynamique: Ce sont des séquences analytiques à durée fixe qui annulent les erreurs en premier ou deuxième ordre. Par exemple, les familles de impulsions composites BB1 et SK1 corrigent les erreurs systématiques de phase. Le découplage dynamique (par exemple, les séquences Carr-Purcell-Meiboom-Gill) supprime la décohérence en inversant périodiquement l'interaction système-environnement.

Une combinaison puissante consiste à utiliser un contrôle optimal pour concevoir les éléments de construction fondamentaux (par exemple, les portes) et ensuite les séquences composites de couches pour une robustesse supplémentaire.

Applications dans les technologies quantiques

Les lois de contrôle efficaces sont le moteur de nombreuses avancées en calcul quantique, simulation, détection et communication. Ci-dessous, nous discutons des domaines d'application clés en détail.

Portes quantiques haute fiabilité

Les ordinateurs quantiques comptent sur un ensemble universel de portes qui doivent fonctionner avec des fidélités supérieures au seuil de tolérance du code de surface (habituellement >99,9% pour les portes à un qubit, >99,0% pour les portes à deux qubits). Le contrôle optimal a permis de réaliser des démonstrations expérimentales de portes à deux qubits avec des fidélités supérieures à 99,9% dans les circuits supraconducteurs utilisant des portes iSWAP et CR optimisées avec GRAPE. De même, dans les systèmes à ions piégés, des portes Mølmer-Sørensen avec une fidélité de 99,9% ont été réalisées à l'aide d'impulsions dérivées par analyse qui ne nécessitent pas d'optimisation complexe.

Préparation de l'État quantique

L'initialisation des qubits à un état pur connu (par exemple, , , , est une condition préalable pour la plupart des algorithmes. Le contrôle optimal peut accélérer la préparation de l'état tout en maintenant une grande fidélité, par exemple en transférant un état d'équilibre thermique à un état pur par des cycles de refroidissement optimaux.

Atténuation de la décohérence et répression des erreurs

Le bruit environnemental demeure le principal obstacle à l'échelle du calcul quantique.Le contrôle optimal peut concevoir des impulsions qui sont intrinsèquement robustes pour des canaux sonores spécifiques, p.ex. les travaux sur des portes quantiques -robust utilisant un contrôle optimal avec des empreintes sonores. (Voir Phys. Rev. Research 2, 023141 (2020).Ces méthodes intègrent les densités spectrales du bruit dans la fonction de coût, ce qui donne des champs de contrôle adaptés à l'environnement sonore.

Communication quantique et mise en réseau

Dans les réseaux quantiques, des lois de contrôle sont nécessaires pour le transfert d'état de haute fidélité entre des nœuds éloignés, souvent médiés par des qubits volants (photons). Le contrôle optimal détermine la forme temporelle des paquets d'ondes pour maximiser l'absorption et l'efficacité des émissions. Pour les répéteurs quantiques, les séquences de contrôle des ensembles atomiques qui génèrent un enchevêtrement annoncé doivent être optimisées pour maximiser la probabilité de succès tout en supprimant la décohérence.

Défis actuels et orientations futures

Malgré des progrès importants, plusieurs défis demeurent à relever pour concevoir des lois de contrôle optimales pour l'ingénierie quantique :

  • Scalabilité:[ La plupart des méthodes d'optimisation s'échellent de façon exponentielle avec le nombre de qubits dus à la croissance exponentielle de l'espace Hilbert. Pour les systèmes à qubits multiples, il faut recourir à des approximations (p. ex., états de produits matriciaux, états quantiques neuraux) ou trouver des lois de contrôle qui tirent parti des symétries.
  • Les impulsions de commande conçues dans la simulation violent souvent les contraintes matérielles comme le temps de montée maximal, le taux d'échantillonnage et le langage croisé. L'intégration des modèles matériels dans l'optimisation est une zone active, par exemple, en utilisant des modèles SPICE réalistes pour l'électronique cryogénique.
  • Optimisation en temps réel:[ Pour le contrôle en boucle fermée ou adaptative, l'optimisation doit être assez rapide pour suivre les dérives environnementales.
  • Systèmes ouverts et non-markovianité:[ De nombreux problèmes de contrôle pour les systèmes quantiques ouverts supposent le bruit markovien (sans mémoire).

En ce qui concerne l'avenir, la convergence du contrôle quantique avec l'apprentissage automatique, en particulier l'apprentissage en profondeur et les modèles génériques, produira probablement de nouvelles classes de lois de contrôle qui sont à la fois efficaces et robustes. Les progrès du matériel quantique, y compris les dispositifs à court terme atténués par les erreurs, bénéficieront également de flux de travail de contrôle optimaux adaptés.

Conclusion

La conception de lois de contrôle optimales est une partie indispensable de l'ingénierie quantique, permettant la manipulation précise des systèmes quantiques nécessaires aux technologies de prochaine génération. Du cadre mathématique fondamental comme PMP et la méthode de Krotov à l'optimisation avancée par l'apprentissage automatique, le domaine offre un riche ensemble d'outils pour construire des solutions de contrôle robustes et de haute fidélité.