量子处理器的性能波动探究

2018 年 9 月 12 日 谷歌开发者

文 / Google AI Quantum 团队研究员 Paul V. Klimo


Google AI Quantum 团队的研究领域之一是基于超导电路构建量子处理器,这是实现量子比特 (qubit) 时很有吸引力的候选方案。虽然超导电路展现出顶级性能,并可扩展至由数十个量子比特组成的较小处理器,但还有一个难题尚未解决,即如何稳定量子处理器的性能,因为其性能会出现波动,且无法预测。虽然我们已经在许多超导量子比特架构中观察到性能波动,但对其来源尚不清楚,这阻碍了我们稳定处理器性能的进程。 

在本周发表于《物理评论快报》(Physical Review Letters) 的《超导量子比特中的能量弛豫时间波动》(“Fluctuations of Energy-Relaxation Times in Superconducting Qubits”) 一文中,我们将量子比特用作其所处环境的探测器,最终发现性能波动的主要因素是材料缺陷。我们的试验方法是探究量子比特的能量弛豫时间 (T1);这是一种热门的性能评价指标,其衡量的是量子比特从激发态回落到基态的能量弛豫过程所经过的时间长度,而能量弛豫时间是操作频率和时间的函数。

在测量 T1 时,我们发现某些量子比特的操作频率明显比其他量子比特低,因而形成一些能量弛豫危险区(参见下图)。我们的研究表明,是材料缺陷导致出现这些危险区,而这些缺陷本身形成了量子系统,当它们的频率与量子比特的频率有所重叠(即形成“共振”)时,便会从量子比特中吸收能量。令人惊讶的是,我们发现这些能量弛豫危险区并不是静态的,在几分钟到几小时的各种不同时间尺度中,危险区会“移动”。根据这些观察结果,我们得出结论,正是材料缺陷在与量子比特之间产生及脱离共振的过程中的频率动态特性造成了最为显著的性能波动。


左图:与用于探究量子比特性能波动的量子处理器类似的处理器。我们以蓝色突出显示其中一个量子比特。右图:一个量子比特的能量弛豫时间 “T1”,绘制为其操作频率和时间的函数。我们可以看出,图中的数据表明,能量弛豫危险区是由材料缺陷(黑色箭头)造成的。这些危险区与量子比特之间产生及脱离共振的动态特性是造成最显著能量弛豫波动的原因。请注意,我们是在缺陷密度高于平均水平的频带上提取了这些数据。


这些缺陷通常称为二阶系统 (TLS),我们普遍认为它们存在于超导电路的材料界面中。然而,即使经过几十年的研究,它们的微观起源仍然让研究者感到困惑。除了清楚说明量子比特出现性能波动的原因之外,我们的数据也为揭示缺陷动态特性的物理原理带来了曙光,这正是此谜题的重要组成部分。有趣的是,根据热力学定律,我们完全没想到所看到的缺陷会展现出任何动态特性。它们的能量比我们量子处理器中存在的热能高一个数量级左右,所以它们应该是被「冻住」的。但事实是,它们并没有被冻住,这说明它们展现出动态特性的原因可能是它们与其他缺陷之间产生了相互作用,而这些缺陷的能量要低得多,因此可以被量子处理器的热能激活。 

我们以往认为这样的材料缺陷发生在原子维度上,要比量子比特小数百万倍。而事实是,量子比特可用于检测单个材料缺陷,这表明量子比特是强大的测量工具。显然,对材料缺陷的研究有助于解决材料物理学中未解决的问题,但或许令人惊讶的是,这也会对提高如今的量子处理器的性能有直接的启发。事实上,缺陷测量已经在影响我们的处理器设计和制造,甚至用在了数学算法中,它会帮助量子处理器在运行时避免缺陷。我们希望这项研究可以启发有关理解超导电路中材料缺陷问题的进一步研究。



更多 AI 相关阅读:

· Dopamine - 灵活、可重复的强化学习研究新框架

· 利用 Universal Transformer,翻译将无往不利!

· Google 智能助理,支持多种语言功能!


登录查看更多
0

相关内容

【ICML2020】对比多视角表示学习
专知会员服务
52+阅读 · 2020年6月28日
从HPO到NAS: 自动深度学习
专知会员服务
37+阅读 · 2020年6月15日
【ICML2020】多视角对比图表示学习,Contrastive Multi-View GRL
专知会员服务
79+阅读 · 2020年6月11日
【ICML2020-哈佛】深度语言表示中可分流形
专知会员服务
12+阅读 · 2020年6月2日
专知会员服务
73+阅读 · 2020年5月21日
图神经网络表达能力的研究综述,41页pdf
专知会员服务
169+阅读 · 2020年3月10日
注意力能提高模型可解释性?实验表明:并没有
黑龙江大学自然语言处理实验室
11+阅读 · 2019年4月16日
R语言之数据分析高级方法「时间序列」
R语言中文社区
17+阅读 · 2018年4月24日
PRL导读-2018年120卷15期
中科院物理所
4+阅读 · 2018年4月23日
终于!TensorFlow引入了动态图机制Eager Execution
机器之心
4+阅读 · 2017年11月1日
RNN增强—ACT(自适应计算次数)多因子选股模型
量化投资与机器学习
3+阅读 · 2017年8月13日
给DNN处理器跑个分 - 指标篇
StarryHeavensAbove
5+阅读 · 2017年7月9日
Arxiv
4+阅读 · 2018年5月24日
Arxiv
8+阅读 · 2018年4月8日
VIP会员
相关VIP内容
【ICML2020】对比多视角表示学习
专知会员服务
52+阅读 · 2020年6月28日
从HPO到NAS: 自动深度学习
专知会员服务
37+阅读 · 2020年6月15日
【ICML2020】多视角对比图表示学习,Contrastive Multi-View GRL
专知会员服务
79+阅读 · 2020年6月11日
【ICML2020-哈佛】深度语言表示中可分流形
专知会员服务
12+阅读 · 2020年6月2日
专知会员服务
73+阅读 · 2020年5月21日
图神经网络表达能力的研究综述,41页pdf
专知会员服务
169+阅读 · 2020年3月10日
相关资讯
注意力能提高模型可解释性?实验表明:并没有
黑龙江大学自然语言处理实验室
11+阅读 · 2019年4月16日
R语言之数据分析高级方法「时间序列」
R语言中文社区
17+阅读 · 2018年4月24日
PRL导读-2018年120卷15期
中科院物理所
4+阅读 · 2018年4月23日
终于!TensorFlow引入了动态图机制Eager Execution
机器之心
4+阅读 · 2017年11月1日
RNN增强—ACT(自适应计算次数)多因子选股模型
量化投资与机器学习
3+阅读 · 2017年8月13日
给DNN处理器跑个分 - 指标篇
StarryHeavensAbove
5+阅读 · 2017年7月9日
Top
微信扫码咨询专知VIP会员