牛津大学的科学家们最近在离子阱量子计算机的研究方面取得新的进展，该最新研究结果论文，题为：“一种高保真混合元素类纠缠门的基准测试”，发表在这一期的《物理评论通讯》上。
近年来，世界各地研究团队一直在尝试创建离子阱量子计算机，被捕获的离子充当纠缠的量子位，以执行高级计算，这类计算机被证明是用于实际应用的量子计算最有希望的系统之一。
为开发可扩展的离子阱量子计算机，牛津大学的研究人员最近在钙和锶这两个不同的原子元素之间实现了一个两量子位的纠缠门，使用了仅需单个激光器的门机制，通过更少的激光器实现更高保真度的逻辑门，在两个不同原子物种之间实施量子逻辑门所需的激光数量减少了一半，这一壮举可以帮助创建可扩展的量子计算机。
离子阱量子计算机的最大挑战之一是可扩展性，即在几个量子位上获得可喜结果的方法，可应用到数千个甚至上百万个量子位的途径。将新的量子比特添加到量子计算系统中，通常会导致性能快速下降，因为会引入新的错误、使与单个量子比特的交互变得更困难、而同时又不影响其它量子比特。
为克服这一挑战，牛津大学的研究团队使用了称为模块化和光网络的两种方法：本质上，模块化目标是使离子分别位于单独的离子阱和真空系统中，光网络使这些离子阱和真空系统仅通过光纤相连。
这种方法限制了量子位之间的串扰，仅保留了需要的并且可以由研究人员控制的交互，从而一旦确定了运行良好的系统，就可以添加更多的系统，因为新系统不会影响整体性能。
研究人员表示：“对于这些方法，以及使用不同离子种类来提高可扩展性的其他策略非常有用。”“首先，因为不同的离子具有不同的长短处特点。例如，使用一种离子物种，它是一种很好的存储和逻辑离子，这意味着它可以存储很长的信息，在使用该离子物种进行计算时，会得到非常小的误差；其他物种在与光子耦合时要好得多、并且更快。如果有两种不同的物质，可以在计算过程中使用第二种物质冷却离子，从而减少了加热问题。”
研究团队在过去的一项研究中成功地在不同钙同位素之间进行了两个量子位的门。但是，在完全不同的原子元素之间实现这种门将更加有用，这是因为不同的元素具有非常不同的特性并显示出不同的跃迁频率。
结果，当使用激光技术对一种元素进行操作时，其它种元素将完全不受影响。但是同时，由于这两个元素也可能具有不同的质量，因此控制它们的运动可能要复杂得多。
研究人员说：“在我们以前的工作中，用单个激光对两种不同的钙同位素进行了门操作，因为大多数跃迁频率在不同的同位素中仍然非常接近。” “但是，我们注意到，对于最适合与钙一起使用的锶而言，其跃迁频率相差不大，我们可以使用适用于不同同位素的相同方案不同的元素。”
钙和锶的跃迁频率之间的相似性极大地简化了当前的问题，最终使研究人员能够获得比制造其他混合元素门时更高的保真度。成功实现混合物种门是实现大规模量子计算迈出的重要一步，同时能够同时利用两种不同元素的特性。
研究人员解释说：“这种被束缚的离子纠缠门背后的基本思想，是通过离子运动在离子的量子位状态之间建立关联，当彼此排斥时，之间的相互作用是紧密耦合的。” “激光可以耦合到离子的运动，例如，将其推向某个方向。可以施加以不同的量子位状态耦合到离子的激光，例如，它将以| 1>的状态推动离子，但是在状态| 0>处拉动离子。因此，对于某些量子位状态组合，共同运动被取消，而对于其它运动则将被增强，从而可以使用它来产生纠缠。”
许多以前实施过混合元素两量子纠缠门的研究使用不同的激光来操纵不同的元素。为此，必须确保两个激光器的同步性和校准性良好，以便对两种不同的离子种类具有相似的作用。
研究团队仅使用单个激光器，这意味着不需要以任何特定方式进行同步，还具有较少的可用于校准的自由度，并且必须确定一个位置，以使其能够以类似方式耦合两个物种。由于混合物种的晶体对特定的外部效应（例如杂散电场）更加敏感，因此研究人员在校准过程中必须比在实施单个物种门时更加谨慎。
研究人员解释说：“门是使用一对激光束（大约402 nm）实现的，该激光束可以同时耦合和激发钙和锶的运动。”“我们使用三种不同的方法来表征门性能：测量单个门之后的输出状态并将其与理想输出进行比较；运行一系列类似于算法的门序列，并比较之间的误差幅度；以及运行序列，这些序列可增强不同类型错误以表征我们错误源的性质。”
为了评估其门的性能，研究人员使用了三种方法，称为：部分状态层析成像、随机基准测试、栅极设置层析成像。部分状态层析成像包括实现单个门，然后测量其输出状态。
“这是最简单、最常用的方法。” “由于平均而言，会在1千个门中两个门出现错误，因此必须多次进行操作才能准确估算门错误，并且很难区分门本身和门之间造成了多少错误。与使用的第二种方法相比，通过读出最终状态可以得到具体多少”。
使用的第二种评估策略是随机基准测试，需要实现多个连续的门，同时在它们之间插入不同类型的门以连续改变输入状态，然后再应用于每个门。随后，比较仅此随机序列与在随机门之间间歇引入其门的序列之间的误差。
“随机化的基准测试更适合于测量很小的错误，因为在读出最终状态之前执行了许多门操作，并且结果与实际算法中的预期性能更加可比。”
最后，门设置层析成像技术是用来评估其门的最后一种方法，量化和表征实施门时产生的误差。为此，会生成旨在增强特定类型错误影响的序列，以便量化每种类型错误的总量。使用这种技术获得的信息对于试图开发更有效的纠错方案很有用。
来源：量子认知
