Quantum computing with Rydberg atoms : control and modelling for quantum simulation and practical algorithms
Calcul quantique avec des atomes de Rydberg : contrôle et modélisation pour simulation et algorithmes quantiques
Résumé
Refining our understanding of an unknown system through modelling lays the groundwork for optimally controlling it and opens the door to a myriad of potential applications, exploiting the once enigmatic and unpredictable effects of this now-known system. This thesis applies this paradigm to analog quantum computing with Rydberg atoms, showcasing how careful noise modelling, optimal control and machine learning frameworks can support and enhance the simulation of quantum magnetism and the solving of graph-based optimisation and classification problems. After describing the experimental platform enabling the control of Rydberg atoms, we introduce classical tools such as digital twins of noisy systems, tensor network modelling, robust optimal control, and Bayesian optimisation for variational algorithms. We apply the latter to several applications. We improve the preparation of antiferromagnetic state in the Ising model and benchmark the noisy behaviour of a dipolar XY quantum simulator when probing continuous symmetry breaking and performing quantum state tomography. Using optimisation techniques and machine learning methods, we also tackle industrial use cases such as maximum independent set on graphs representing smart charging tasks, binary classification of toxic or harmless molecular compounds, and prediction of fallen angel companies in financial risk management.
Améliorer sa compréhension d'un système en le modélisant permet d'espérer le contrôler de manière plus optimale et ouvre la voie à une myriade d'applications potentielles, exploitant les effets jusqu'alors énigmatiques de ce système désormais familier. Cette thèse applique ce paradigme au calcul quantique analogique avec des atomes de Rydberg, montrant comment à l'aide d'une modélisation minutieuse du bruit, de protocoles de contrôle optimaux et de techniques d'apprentissage automatique, on peut espérer améliorer des expériences de simulation de magnétisme quantique ou la résolution de problèmes d'optimisation et de classification de graphes. Après avoir décrit la plateforme expérimentale permettant de contrôler les atomes de Rydberg, nous introduisons des outils classiques tels que les jumeaux numériques de systèmes enclins à des erreurs, la modélisation d'un grand nombres d'atomes par réseaux de tenseurs, le contrôle optimal robuste et l'optimisation bayésienne pour les algorithmes variationnels. Nous appliquons ces outils à plusieurs applications prometteuses. Nous améliorons la préparation d'états antiferromagnétiques dans le modèle d'Ising et réalisons une évaluation détaillée de l'influence d'erreurs sur l'étude de phases magnétiques du modèle dipolaire XY et lors de la tomographie d'états quantiques. En utilisant des techniques d'optimisation et des méthodes d'apprentissage automatique, nous abordons également des cas d'usage industriels tels que la résolution du problème de stable maximum sur des graphes représentant des tâches de planification de charge de batteries de voitures électriques, la classification de composés moléculaires toxiques ou inoffensifs, et des tâches de prédiction dans la gestion des risques financiers.
| Origine | Version validée par le jury (STAR) |
|---|