Ein interdisziplinäres Forscherteam am Institut für Gravitationsphysik und am Institut für Informationsverarbeitung der Leibniz-Universität Hannover, am Max-Planck-Institut für Gravitationsphysik sowie bei der Qudora Technologies GmbH hat ein neues Verfahren entwickelt, um Ionen in bestimmten Arten von Quantencomputern zu bewegen. Bei diesen Quantencomputern mit gefangenen Ionen ist es meist notwendig, die Ionen zwischen verschiedenen Zonen auf einem Chip zu transportieren. Dieser als „Ionen-Shuttling“ bezeichnete Vorgang nimmt bei der Ausführung einer Quantenschaltung in der Regel den Hauptteil der Zeit in Anspruch. Da Quantenbits schnell ihre Kohärenz verlieren können, ist es entscheidend, das Ionen-Shuttling so effizient wie möglich zu gestalten. Eine große Anzahl von Quantenbits und damit eine große Anzahl von Ionen führen dabei schnell zu einem hochdimensionalen Optimierungsproblem. Dies macht die Suche nach optimalen Lösungen extrem schwierig, weshalb Shuttling-Verfahren in der Regel auf Heuristiken beruhen. Das Team ging das Problem des Ionen-Shuttlings mithilfe von Reinforcement Learning an. Ihre neuartige Methode erzielt einen Vorteil von bis zu 36 % gegenüber den derzeit besten Techniken und lässt sich an verschiedene Chiparchitekturen anpassen, was sie zu einem vielseitigen Werkzeug für zukünftige, komplexere Quantenchip-Architekturen macht.
Abstract des veröffentlichten Papers
Skalierbare Quantencomputer mit gefangenen Ionen werden üblicherweise mit modularen Chips realisiert, die über verschiedene Zonen mit spezifischen Funktionen verfügen, wie beispielsweise Speicherung, Zustandsvorbereitung und Gatterausführung. Um einen Quantenschaltkreis auszuführen, müssen die Ionen zwischen diesen Zonen transportiert werden. Dieser Vorgang wird als „Ionen-Shuttling“ bezeichnet. Um zuverlässige Berechnungsergebnisse zu erzielen, muss der Shuttling-Prozess optimiert werden. Mit steigender Anzahl von Ionen wird dies jedoch zu einem hochdimensionalen Optimierungsproblem, bei dem optimale Lösungen nicht effizient berechnet werden können. Wir demonstrieren nach unserem Kenntnisstand den ersten Einsatz von Reinforcement Learning (RL) zur Optimierung des Ionen-Shuttlings. RL eignet sich gut für solche Szenarien, da es das Erlernen einer Strategie durch direkte Interaktion mit dem Problem ermöglicht. Wir zeigen, dass unser RL-Ansatz aktuelle heuristische Techniken auf dem Stand der Technik übertrifft und eine Reduzierung der Shuttling-Operationen um bis zu 36,3 % ermöglicht. Darüber hinaus zeigen wir, dass unsere Methode problemlos auf verschiedene Chiparchitekturen anwendbar ist. Unser Ansatz bietet eine vielseitige Methode zur Untersuchung der Shuttling-Effizienz während des Chipdesigns und ist daher ein äußerst relevantes Werkzeug für zukünftige, komplexere Architekturen.
Publikation
Schier, M.; Richtmann, L.; Staufenbiel, C.; Schmale, T.; Borcherding, D.; Heurs, M.; Rosenhahn, B.: Reinforcement learning for ion shuttling on trapped-ion quantum computers. Phys. Rev. Research 8, 033360 (2026) https://doi.org/10.1103/b7ck-8wh4
