Machine-learning based noise characterization and correction on neutral atoms NISQ devices

要約

中性原子デバイスは、光ピンセットを使用して原子を幾何学的に配置し、変調レーザーパルスを使用して量子状態を制御する有望な技術です。
中性原子ノイズ中間スケール量子 (NISQ) デバイスは、ルビジウム原子を使用して Pasqal によって開発され、最大 100 量子ビットでの動作が可能になります。
すべての NISQ デバイスは、計算結果に影響を与えるノイズの影響を受けます。
したがって、ノイズ源をよりよく理解して特徴づけ、場合によってはそれらを修正することが重要です。
ここでは、中性原子 NISQ デバイスのノイズ パラメーターを特徴付けて補正するための 2 つのアプローチが提案されています。
特に、Pasqal デバイスに焦点が当てられており、それらの目的を追求するために機械学習 (ML) 技術が採用されています。
ノイズパラメータを特徴付けるために、原子の最終的な量子状態の測定値のみを入力として使用して、いくつかのMLモデルがトレーニングされ、レーザー強度の変動、ウエスト、温度、偽陽性および偽陰性の測定率が予測されます。
さらに、系内の原子の数と入力として使用される測定値の数に関するスケーリングを備えた解析が提供されます。
また、ML で予測された値と事前に推定されたパラメーターを実際のデータ上で比較します。
最後に、測定におけるノイズの影響を補正するために、強化学習 (RL) フレームワークを使用してパルスを設計します。
この研究で実行された解析は、中性原子デバイスにおける量子力学の理解を深め、このクラスの NISQ デバイスの普及に役立つことが期待されます。

要約(オリジナル)

Neutral atoms devices represent a promising technology that uses optical tweezers to geometrically arrange atoms and modulated laser pulses to control the quantum states. A neutral atoms Noisy Intermediate Scale Quantum (NISQ) device is developed by Pasqal with rubidium atoms that will allow to work with up to 100 qubits. All NISQ devices are affected by noise that have an impact on the computations results. Therefore it is important to better understand and characterize the noise sources and possibly to correct them. Here, two approaches are proposed to characterize and correct noise parameters on neutral atoms NISQ devices. In particular the focus is on Pasqal devices and Machine Learning (ML) techniques are adopted to pursue those objectives. To characterize the noise parameters, several ML models are trained, using as input only the measurements of the final quantum state of the atoms, to predict laser intensity fluctuation and waist, temperature and false positive and negative measurement rate. Moreover, an analysis is provided with the scaling on the number of atoms in the system and on the number of measurements used as input. Also, we compare on real data the values predicted with ML with the a priori estimated parameters. Finally, a Reinforcement Learning (RL) framework is employed to design a pulse in order to correct the effect of the noise in the measurements. It is expected that the analysis performed in this work will be useful for a better understanding of the quantum dynamic in neutral atoms devices and for the widespread adoption of this class of NISQ devices.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google