Caracterização orientada por dados das dinâmicas latentes em leitos de teste quânticos

Este artigo apresenta uma abordagem orientada por dados para aprender dinâmicas latentes em hardware de computação quântica supercondutora. Para isso, aumentamos a equação dinâmica dos sistemas quânticos descritos pela equação mestra de Lindblad com um termo fonte parametrizado que é treinado com dados experimentais para capturar dinâmicas de sistema desconhecidas, como interações ambientais e ruído do sistema. Consideramos uma augmentação que preserva a estrutura, que aprende e distingue dinâmicas latentes unitárias de dissipativas parametrizadas por uma base de operadores lineares, bem como uma augmentação dada por uma rede neural não linear feed-forward. Resultados numéricos são apresentados usando dados de duas unidades de processamento quântico (QPUs) no Testbed de Dispositivos Quânticos e Integração do Laboratório Nacional Lawrence Livermore. Demonstramos que nossos modelos interpretáveis, que preservam a estrutura e não lineares, são capazes de melhorar a precisão da previsão da equação mestra de Lindblad e modelar com precisão as dinâmicas latentes das QPUs.