メタラーニングによるデータ駆動的ハミルトニアン縮約：超伝導量子ビット向け

要旨: 超伝導量子プロセッサのための有効ハミルトニアンモデルを高速にオンライン適応するための枠組みであるHAML（Hamiltonian Adaptation via Meta-Learning）を提案します。HAMLは2つのフェーズから成ります。第1の教師あり学習フェーズでは、シミュレーションしたデバイスのアンサンブルを用いて、制御入力およびデバイスパラメータから有効ハミルトニアン係数へのオフライン写像を学習します。次にオンライン適応フェーズでは、少数のハードウェアで取得可能な測定を用いて、新しいデバイスの未知パラメータを同定します。フルのマルチモード・シミュレーションから抽出した有効な2量子ビット係数に対して直接学習することで、摂動論を用いずに、フルのマルチモード・ハミルトニアンから量子ビットの記述へと縮約する過程を暗黙に学習します。さらに、測定構成を分散最大化の貪欲選択で行うことにより、オンライン適応の効率が向上することを示します。トランズモン-カップラ-トランズモン系に対してHAMLを実証し、Schrieffer-Wolff摂動論（SWPT）が破綻するパラメータ領域を含む、幅広い運転レジームにわたって有効な2量子ビット係数を復元します。これにより、近い将来の量子プロセッサに対して、ハミルトニアン縮約およびキャラクタリゼーションをスケーラブルかつサンプル効率良く行うアプローチが確立され、キャリブレーション、制御、エラー低減への直接的な含意が得られます。