近日，中山大学物理与天文学院罗乐教授研究团队，通过人工神经网络技术与射频微波-自发辐射光子关联技术，实现了离子阱中量子比特微运动抑制的自动化处理，这是国际上首次把神经网络技术应用于囚禁离子量子比特的微运动控制。9月29日，相关成果以“用人工神经网络最小化囚禁离子的微运动”(Minimization of the micromotion of trapped ions with artificial neural networks)为题在线发表于《应用物理快报》(APL)上。

离子阱是实现大规模实用化量子计算的核心技术之一。对于工程化的离子阱量子计算机来说，离子在囚禁电磁场中的微运动会降低冷却和探测效率，并严重缩短离子的相干时间，影响量子门的保真度。消除微运动对于实现离子阱量子计算机的工程化非常重要。为此，他们开展了基于人工神经网络技术与射频微波-自发辐射光子关联技术的微运动抑制方案研究并完成了相关实验验证。

微运动最小化是一个多维问题，本文报告了神经网络算法在处理这样一个多维问题上的应用，以及它在最小化单个囚禁离子系统的多余微运动方面的富有成效的作用。他们引入人工神经网络来寻找一组电压参数Ui和微运动指数βj(用于精确表示微运动的振幅)之间的关系。此前，多电极直流电压与微运动指数β之间的解析数学关系非常复杂。

神经网络的参数被优化以适合实验，即经过训练。他们通过测量剩余多余微运动的大小验证了该方法的准确性，将退火算法输出的电压设置应用到相应的电极上。证明了基于神经网络的机器学习的能力，获得了多余微运动最小化的最新水平。

本实验中使用的离子阱由四个镀金陶瓷刀片电极组成，其边缘平行于阱的纵轴(x)，其中两个刀片保持静态，另外两个刀片通过射频(RF)电势驱动，从而产生横向(y-z)四极约束电势。纵向五段静态刀片提供的适当静态电势用于沿x轴限制离子。电极之间的间隙在y和z方向上分别为470和220 μm。从陷阱中心到电极的距离为R≈259 μm。

本实验中的离子阱装置

研究人员使用射频-光子关联技术将光子到达时间测量为直方图，通过将直方图曲线拟合到以下等式，可以获得微运动指数β。

然后，开始应用神经网络，如下图所示。实验输入是电极上的外加电压，输出是测得的微运动指数β，在它们之间是隐藏层。

本实验室中使用的神经网络

为了更好地进行实验，神经网络需要经过训练。如下图所示，在每个周期中，首先生成每个补偿电极的高斯电压分布，并将其写入直流文件。然后，通过可编程精密直流电压电源将这些电压组一次一个施加到电极上，并分别测量它们在x和y方向上对应的离子荧光直方图。每个直方图取三或五次，以最小化激光频率漂移和激光功率波动以及射频噪声的影响。随后，通过将每个直方图拟合到等式(1)，获得每个电压组的微运动指数βx和βy。

微运动指数β最小化的训练周期示意图

为了降低损失(Reducing Loss)，他们进行了1000次迭代，选择了10个隐藏层，每个层有1000个神经元。

结果表明，通过射频微波-自发辐射光子关联技术，微运动指数βx和βy分别降低了10³和10²个数量级，达到最先进的灵敏度，与用于原子钟和量子计量的灵敏度相当。根据βz与βy的关系，估计βz在10²个数量级以内。 该方法自动化程度高，可扩展到在表面阱、芯片阱等电极数量巨大的离子阱上，为开发低成本商用离子阱量子芯片提供了一个技术储备。

论文链接：https://aip.scitation.org/doi/10.1063/5.0062508