1. 项目概述当机器学习遇见量子控制在量子计算这个前沿领域我们每天都在与微观世界的“幽灵”打交道。一个量子比特的状态就像地球仪上的一个点可以用布洛赫球面上的经度和纬度来描述。要让这个点精确地旋转到我们指定的位置就需要施加一个完美的“推力”——也就是微波控制脉冲。这个“推力”的幅度、相位和形状必须分毫不差否则量子门操作的保真度就会下降整个量子计算的结果也就失去了意义。传统上生成这个完美脉冲依赖于复杂的数值优化软件比如Juqbox它们在功能强大的工作站上运行通过模拟量子系统的哈密顿量来求解最优脉冲参数。然而当我们将目光投向真实的量子硬件尤其是需要工作在接近绝对零度的稀释制冷机内部的超导量子比特时问题就来了。制冷机内部的空间和功耗预算极其有限我们无法把一台高性能服务器塞进去。而如果从外部“温暖”的控制系统发送脉冲通信延迟和有限的带宽又会成为新的瓶颈尤其是在量子比特数量不断扩展的未来。这就引出了我们这次探索的核心能否用一个极其轻量、高效的“大脑”直接放在量子比特旁边实时地根据指令计算出最优控制脉冲这个“大脑”需要足够聪明能理解不同旋转角度对应的脉冲模式又要足够小巧节能能嵌入到极低温环境中的现场可编程逻辑如嵌入式FPGA里。机器学习特别是神经网络成为了一个极具吸引力的答案。我们的工作正是围绕如何训练并部署这样一个用于单量子比特任意旋转控制的神经网络模型而展开。这不仅仅是算法创新更是一次从软件模拟到硬件部署的完整工程实践目标是为未来大规模量子处理器的实时、高保真控制铺平道路。2. 核心思路与方案设计2.1 问题定义与挑战拆解我们的目标非常明确给定一个目标旋转角度θ对应Rx(θ)门我们的模型需要输出一组能实现该旋转的最优脉冲系数。这里的“最优”指的是在真实量子硬件上执行后最终量子态与理想目标态的重叠度即保真度尽可能高理想目标是达到“四个9”0.9999以上的保真度。挑战主要来自三个方面数据生成的复杂性训练数据本身来自仿真。Juqbox等工具虽然能生成高保真脉冲但其优化过程对初始条件敏感即使对同一个角度不同的随机种子也会产生差异显著的脉冲系数。这给模型学习平滑、可泛化的映射关系带来了巨大噪声。训练目标的不可直接观测性在真实硬件上我们无法直接读取量子态矢量波函数来计算保真度。我们只能通过大量的投影测量得到0或1的统计结果。如何仅凭这些二进制测量结果来评估和优化门的性能是连接仿真与实物的关键。部署平台的严苛限制目标平台是集成在SoC中的嵌入式FPGAeFPGA。其查找表LUT、寄存器FF和数字信号处理器DSP等资源非常有限功耗和延迟要求也极其严格。模型必须极度轻量化并且需要从浮点数转换为定点数表示以适应硬件逻辑。2.2 整体技术路线图针对上述挑战我们设计了一个多阶段、循序渐进的方案仿真引导的“引导训练”首先我们在“全知视角”下用仿真数据训练一个初始模型。这里我们拥有完整的态矢量信息可以直接计算保真度作为损失函数。这一步的目的是让模型初步学会角度到脉冲系数的大致映射关系为后续优化提供一个高质量的起点。面向硬件的模型瘦身与量化在获得一个性能不错的浮点模型后我们开始对其进行压缩和量化。这包括精简网络结构将参数从2000减少到33以及进行量化感知训练QAT让模型在训练阶段就“体验”到低精度定点数运算的效果从而保持量化后的精度。硬件翻译与实现使用专门的工具链如hls4ml将量化后的Keras/QKeras模型转换为高层次综合HLS代码并最终针对目标eFPGA如FlexLogix进行综合、布局布线评估资源占用和延迟。基于测量的精细化调优这是将仿真模型适配到真实硬件的核心一步。我们提出了一种“自适应随机基准测试”算法它仅依靠对量子态的投影测量结果就能统计地估计出非克利福德门如任意角度的Rx门的保真度。这个估计值将作为新的损失函数在真实硬件或更贴近真实的仿真上对引导训练得到的模型进行微调以补偿仿真模型与真实物理系统之间的差异。这个路线图的核心思想是“仿真筑基硬件导向测量反馈”。它避免了直接在真实硬件上从头训练的巨大成本需要海量的测量次数即“shots”又通过最终的测量反馈环节确保了模型对真实物理效应的适应性。3. 数据工程从嘈杂仿真到平滑数据集3.1 原始数据生成与固有挑战我们使用Juqbox来生成训练数据。对于每一个目标旋转角度θ在[-π, π]区间内均匀采样Juqbox通过数值优化求解出一组最优的脉冲系数。这里我们采用B样条基函数来参数化微波控制脉冲的包络共20个系数实部、虚部各10个。注意Juqbox的优化过程包含随机初始化。这意味着即使对于同一个角度θ使用不同的随机种子运行得到的脉冲系数也可能完全不同甚至符号相反。这种基于种子的强随机性导致生成的数据集充满了高频噪声相邻角度对应的输出系数可能发生剧烈跳变。如果直接用这样的数据训练神经网络很难学习到角度与系数之间本应存在的平滑函数关系反而可能去记忆这些随机噪声泛化能力极差。3.2 数据清洗与平滑化处理流程为了解决上述问题我们进行了一系列数据预处理操作其流程和目的如下多种子平均我们不是用一个种子生成所有数据而是用了100个不同的种子每个种子都生成4096个角度覆盖-π到π对应的脉冲系数。然后对于每一个角度我们将100个种子产生的系数进行平均。公式很简单A_i (s_i1 s_i2 ... s_i100) / 100。这一步至关重要它利用大数定律有效抹平了单个种子的随机波动揭示了系数随角度变化的潜在趋势。你可以把它想象成对同一个物理现象进行了100次独立实验然后取平均结果信噪比大大提升。滑动窗口平滑平均之后的数据趋势已经明朗但可能还存在一些小尺度的抖动。我们进一步采用了一个宽度为50个样本的滑动平均窗口。具体来说对于每个数据点我们取其前后共50个邻近点的系数值进行平均并用这个平均值替换当前点的值。这相当于一个低通滤波器滤除了数据中不必要的细节和残余噪声使得角度-系数曲线变得更加光滑连续如图1所示。这对于神经网络的学习非常友好。系数维度约减在观察平滑后的数据时我们有了一个关键发现对于X门旋转20个脉冲系数中的许多个其随角度变化的曲线形状高度相似几乎只是有一个固定的偏移量。图2清晰地展示了第2到第7个系数的这种平行趋势。这意味着这些系数之间存在很强的冗余性。因此我们大胆地将原本的10个实部或虚部系数通过取平均等方式压缩到了5个。这一下子将模型的输出维度从20降到了10实部5个虚部5个极大地减轻了模型的学习负担和后续硬件实现的复杂度。实操心得数据预处理的时间投入是值得的。我们对比了处理前后模型训练的效果发现使用处理后的数据模型能更快地收敛到更高的保真度。更重要的是经过平滑和降维的数据使得我们最终能够用一个仅有33个参数的极小网络1个输入4个神经元的隐藏层5个神经元的输出层就达到“四个9”的保真度要求。如果使用原始嘈杂数据可能需要更复杂、参数更多的网络才能达到类似效果而这在资源受限的eFPGA上是不可接受的。3.3 数据分割与保真度验证我们将最终处理好的数据集4096个样本按比例划分为训练集、验证集和测试集。一个必须进行的检查是我们的一系列平滑和压缩操作是否损害了脉冲本身的质量我们通过Juqbox反向计算了每个处理后的脉冲所对应的量子门保真度。令人欣慰的是整个数据集的平均保真度损失微乎其微小于0.00002。更有趣的是如图3所示对于一些原本保真度较低的“困难”角度经过处理后的脉冲其保真度反而有所提升。这是因为平均和平滑操作偶然地修正了某些种子产生的次优解。这证明了我们的数据处理流程不仅是安全的甚至是有益的。4. 模型训练从引导到精细化4.1 两阶段训练策略我们的训练分为两个核心阶段如同教一个学生先学理论再练实操。第一阶段基于系数的引导训练在这个阶段我们扮演一个“全知老师”。我们有完美的参考答案——由Juqbox生成的高保真脉冲系数。因此我们采用最直接的均方误差MSE作为损失函数即最小化神经网络预测的脉冲系数与Juqbox生成的“真实”系数之间的差距。我们使用一个简单的多层感知机MLP经过约10000轮epoch的训练学习率设为0.0001。这个阶段的目标是让网络掌握从角度到脉冲系数的“标准答案”映射建立一个性能不错的基线模型。这个模型在仿真测试中已经能达到很高的保真度。第二阶段基于保真度的仿真训练然而MSE最小化并不完全等价于保真度最大化。两个脉冲系数向量即使MSE很小在复杂的量子动力学演化下也可能产生保真度差异很大的结果。因此我们需要让模型直接学习“保真度”这个终极目标。这一阶段的损失函数改为“不保真度”Infidelity 1 - Fidelity。关键转变在于我们需要一个量子系统模拟器作为前向传播的一部分。给定输入角度和模型预测的脉冲系数模拟器会演算最终的量子态并计算其与目标态的不保真度。这个不保真度就是损失值。难点保真度计算是一个复杂的物理过程无法像MSE那样对网络权重直接求导非解析。我们采用了一种“扰动有限差分法”来近似梯度。具体算法见Algorithm 1如下对于网络中的每一个可训练参数权重或偏置我们给它加上一个微小的扰动ε然后重新计算整个网络在批数据上的平均不保真度。梯度就近似等于扰动后的不保真度 - 扰动前的不保真度/ ε。虽然这种方法计算量巨大每轮更新需要对每个参数都做一次前向模拟但它能有效地将优化方向导向真正的目标——保真度提升。实操心得基于保真度的训练非常缓慢但效果显著。它能够修正MSE训练无法发现的一些细微错误。在实际操作中我们通常不会从头开始进行这种训练而是将第一阶段训练好的模型作为预训练模型在此基础上进行第二阶段的微调。这样可以大大减少训练时间。我们观察到经过保真度微调后模型在那些原本保真度略低于“四个9”的角度上性能得到了明显改善。4.2 极简网络结构探索在资源受限的嵌入式设备上模型的参数量直接关系到功耗、延迟和资源占用。我们的一个核心探索是达到量子控制所需精度的最小网络是什么通过反复的架构搜索和超参数调优包括隐藏层大小、激活函数等我们惊讶地发现一个仅包含33个可训练参数的模型就足以胜任这项任务。其结构如下输入层1个节点输入旋转角度θ。隐藏层1层4个神经元使用ReLU激活函数。输出层5个神经元对应降维后的5个实部或虚部脉冲系数线性激活。这个极简结构能成功的关键在于前期高质量的数据平滑和降维。数据中的噪声和冗余被去除后角度与核心脉冲系数之间的映射关系本质上可能并不非常复杂一个浅层网络足以捕捉。这为后续的硬件部署奠定了完美的基础。5. 量化感知训练为硬件部署做准备5.1 为何需要量化eFPGA等硬件平台通常使用定点数进行运算因为定点数运算单元在面积和功耗上远优于浮点数单元。直接将在浮点数上训练好的模型转换为定点数后训练量化往往会导致精度严重下降因为权重和激活值的动态范围在量化过程中可能失真。量化感知训练通过在训练的前向传播中模拟定点量化效应让模型在训练过程中就“适应”这种低精度表示从而大幅减轻量化带来的精度损失。5.2 使用QKeras进行量化我们采用了QKeras库来实现量化感知训练。QKeras提供了量化版本的层如QDense允许我们直接指定权重和激活值的位宽。在我们的实验中关键配置包括总位宽bits设置为16位。这意味着每个数用16个二进制位表示。整数位宽integer设置为5位。这意味着16位中有5位用于表示整数部分剩下的11位表示小数部分。这为脉冲系数提供了足够的动态范围和精度。量化噪声qnoise_factor设置为1在训练过程中注入模拟的量化噪声增强模型的鲁棒性。我们的策略不是从头训练一个量化模型而是权重迁移微调。我们将之前训练好的浮点Keras模型的权重加载到结构相同的QKeras量化模型中。然后在这个量化模型上进行额外的训练。这样做既利用了预训练模型的知识又让模型权重针对量化环境进行了调整。注意事项量化训练需要仔细调整学习率通常要比标准训练更小。我们发现使用Adam优化器并设置一个较低的学习率如1e-5进行微调可以在几十个epoch内使量化模型的性能恢复到接近全精度模型的水平。必须使用验证集密切监控量化后的保真度变化。6. 硬件翻译与eFPGA实现6.1 从模型到硬件描述hls4ml工作流模型训练和量化完成后下一步是将其转化为真正的硬件电路。我们使用hls4ml工具链来完成这项任务。hls4ml是一个将机器学习模型特别是Keras/PyTorch模型转换为高层次综合HLS代码的框架最终可以针对FPGA或eFPGA生成RTL寄存器传输级代码。其工作流程如下模型解析hls4ml读取我们训练好的QKeras模型理解其层结构、参数和量化信息。HLS代码生成根据模型自动生成等价的C代码。这段代码描述了模型的计算图但使用了HLS的语法和库如ap_fixed用于定点数以便后续综合。设计空间探索这是硬件实现中最关键的一步。我们可以通过配置hls4ml的参数来权衡延迟、资源和功耗。其中最重要的一个参数是“复用因子”。复用因子Reuse Factor它控制着硬件资源的并行度。复用因子为1意味着所有计算单元完全并行速度最快但资源消耗最大。复用因子增大意味着同一个计算单元被时分复用去处理多个数据降低了并行度增加了延迟但大幅减少了资源占用。对于我们这个极小的模型我们尝试了不同的复用因子发现复用因子为20时能在可接受的延迟内几百纳秒将资源占用降到极低水平。精度微调虽然QKeras指定了层级的位宽但硬件中累加器等中间结果的位宽可能需要更精细的设置。hls4ml允许我们为每一层的累加器单独设置位宽。通过实验我们发现将累加器位宽保持在22位左右可以避免计算过程中的溢出和精度损失同时不会过度消耗资源。6.2 实现结果与验证我们将生成的HLS代码针对FlexLogix eFPGA架构进行综合和实现。结果令人振奋资源占用仅使用了693个查找表LUT709个触发器FF和2个数字信号处理器DSP。这对于哪怕是最小配置的eFPGA来说也是绰绰有余。推理延迟整个模型完成一次前向传播从输入角度到输出脉冲系数的延迟约为420纳秒。这个速度完全满足量子控制对实时性的要求通常脉冲长度在百纳秒量级。在部署前严格的验证必不可少。hls4ml提供了仿真和对比工具。我们使用“一致性线图”来验证将同一组测试数据分别输入原始的QKeras模型和生成的HLS/C模型对比每一层的输出。理想情况下所有数据点都应落在对角线上yx。我们的验证结果显示两者输出几乎完全一致证明了从算法模型到硬件描述的翻译是准确无误的。踩坑记录在早期尝试中我们曾忽略了对累加器位宽的调整直接使用默认设置。这导致在硬件仿真中某些大角度输入对应的输出出现了明显的饱和失真。通过输出层-by-层的对比图我们迅速定位到了问题发生在某个全连接层的累加阶段。将累加器位宽从默认的16位提升到22位后问题得以解决。这个教训告诉我们硬件翻译后的仿真验证是绝对不能跳过的一步。7. 自适应随机基准测试连接仿真与硬件的桥梁7.1 为何需要ARB至此我们有了一个在仿真中表现良好、且已成功翻译为硬件模型的控制器。但最大的挑战在于如何将它应用到真实的、充满噪声且参数可能漂移的量子硬件上在真实设备上我们无法计算保真度只能进行投影测量。标准的随机基准测试RB是估计量子门保真度的黄金方法但它主要适用于克利福德门Clifford Gates集合。我们实现的Rx(θ)门对于任意角度θ大多是非克利福德门。因此我们需要一个能评估任意单量子比特旋转门保真度的方法。7.2 ARB算法原理与步骤我们提出的自适应随机基准测试ARB算法灵感来源于RB但做了关键适配。其核心思想是通过执行一系列随机选择的门序列并测量序列末态回到初始态的概率来反推出单个门的平均保真度。算法流程见Algorithm 2简述如下准备选定一组待测试的旋转角度集合G以及一系列序列长度M例如从2到100。对于每个序列长度m准备K个随机序列。构建序列每个随机序列包含m个门。前m-1个门从G中随机选取可重复。第m个门是前m-1个门旋转角度之和的逆操作。例如如果前两个门是Rx(θ1)和Rx(θ2)那么最后一个门就是Rx(-(θ1θ2))。在理想情况下整个序列的净效应是恒等操作量子态应回到初始态|0⟩。测量与统计对每个序列在初始态|0⟩上执行该序列然后在Z基下进行N次测量统计得到|0⟩的概率ˆp_k,m。由于门不完美这个概率会小于1。拟合衰减曲线对于每个序列长度m计算K个序列的平均存活概率avgˆp,m。理论上avgˆp,m随m的增加呈指数衰减avgˆp,m ≈ A B * f^m。其中f就是我们想要估计的平均单门保真度A和B是拟合参数。置信区间通过拟合得到f的估计值ˆf及其标准差进而可以计算出其置信区间如95%置信区间。7.3 ARB的验证与应用为了验证ARB的有效性我们首先在一个简化的模型上测试直接对理想旋转角度添加高斯噪声来模拟不完美的门。如图5和图6所示ARB成功估计出的保真度ˆf随着噪声标准差σ的增大而单调下降并且估计值的误差棒置信区间也合理反映了估计的不确定性。这证明了ARB方法对于表征旋转角度误差是有效的。ARB的核心应用场景是模型微调。假设我们将引导训练好的神经网络控制器部署到一台真实的量子计算机上。由于仿真模型与真实硬件存在差异如谐振频率漂移、非线性效应等控制器输出的脉冲可能无法实现高保真旋转。这时我们可以在真实设备上运行ARB流程来评估当前控制器对于一组测试角度G的保真度F_ARB。将1 - F_ARB平均不保真度作为损失函数。利用梯度估计的方法类似于仿真训练中的扰动法计算这个损失函数对神经网络权重的梯度。更新神经网络权重使其在真实硬件上输出的脉冲能提升ARB评估的保真度。这个过程相当于用真实硬件的测量反馈作为“老师”对仿真预训练的“学生”进行最后的实操培训。它不需要知道硬件的精确物理模型是一种基于数据的黑盒优化方法。实操心得ARB实验需要大量的测量次数N * K * |M|这是最主要的成本。在实际操作中需要仔细权衡。序列长度M的范围和密度、随机序列数K、以及每次序列的测量次数N共同决定了估计的精度和所需的总测量时间。我们的经验是K在几百的量级M选取10-20个点如2, 12, 22, …, 92N至少几千次可以在合理的时间内得到一个可靠的保真度估计。在微调时可能不需要对全角度范围进行评估而是聚焦于某些关键角度或性能最差的角度以节省时间。8. 总结与展望回顾整个项目我们从量子控制的一个具体痛点出发——如何在资源受限的极低温环境中实现高保真、低延迟的任意角度旋转——构建了一套从数据生成、模型训练、硬件量化到最终基于实测反馈调优的完整技术栈。核心收获在于对于嵌入式量子控制这类极端约束下的问题软硬件协同设计至关重要。我们不能只追求仿真环境下的算法最优必须时刻将最终的部署平台eFPGA的限制和真实物理世界的噪声纳入设计闭环。数据预处理让我们能用极简网络捕捉核心规律量化感知训练保证了算法在硬件上的精度而ARB则为我们提供了在真实世界中评估和优化性能的“眼睛”和“标尺”。这个方案的潜力不仅限于超导量子比特的单比特旋转。其核心思想——用轻量神经网络拟合复杂控制关系并在嵌入式硬件上实现低延迟推断最后通过物理测量进行闭环优化——可以迁移到其他量子计算平台如离子阱、中性原子以及其他需要精密实时控制的物理系统如量子传感、经典控制系统中。当然这项工作目前仍基于仿真研究。下一步也是最激动人心的一步就是将这套系统部署到真实的稀释制冷机中在真实的超导量子比特上进行测试。届时我们将直面更复杂的噪声、串扰和漂移问题。我们预见到ARB微调环节将发挥至关重要的作用而神经网络控制器也可能需要具备在线学习或自适应调整的能力以应对硬件参数随时间的变化。这条通往实用化量子控制的道路虽然漫长但我们已经找到了一个颇具前景的起点。