Aprendizaje automático cuántico para optimizar la distribución de entrelazamiento en circuitos de sensores cuánticos

Introducción

El diseño de circuitos cuánticos óptimos para metrología es un problema de optimización en espacios de alta dimensionalidad que desafía los métodos clásicos de búsqueda. El aprendizaje automático cuántico — donde algoritmos de machine learning operan sobre estados y operaciones cuánticas — emerge como una herramienta prometedora para navegar este espacio de búsqueda de forma eficiente. El aprendizaje por refuerzo, en particular, es adecuado para problemas de optimización secuencial como el diseño de circuitos.

Desarrollo

Los investigadores desarrollaron un agente de aprendizaje por refuerzo que opera en un entorno cuántico simulado, donde el estado es la representación del circuito cuántico actual y las acciones son la adición de compuertas cuánticas (rotaciones de un qubit, compuertas CNOT, compuertas de entrelazamiento). La función de recompensa combina la Información de Fisher Cuántica — que cuantifica la sensibilidad metrológica del estado — con una penalización por la profundidad del circuito, incentivando soluciones eficientes. El agente aprende políticas de diseño de circuitos que generalizan a diferentes configuraciones de sensores.

Conclusiones

El enfoque de aprendizaje por refuerzo cuántico descubre arquitecturas de circuitos de sensores no intuitivas que superan a los diseños convencionales en términos de sensibilidad metrológica por profundidad de circuito. Los circuitos encontrados exhiben patrones de entrelazamiento multipartito complejos que los métodos de diseño manual raramente consideran. Esta metodología es directamente aplicable al diseño de sensores cuánticos en plataformas de iones trampa, fotónica integrada y circuitos superconductores.