Optimisation d'impulsions
L'optimisation d'impulsions est la sculpture numérique des formes d'onde de contrôle par descente de gradient sur l'infidélité de porte C = 1 − F — des gradients analytiques de GRAPE (2005) aux optimiseurs modernes différentiables en système ouvert, où le gradient traverse le bruit lui-même.
Ce que cela signifie
Une fois qu'une porte est comprise comme une enveloppe de contrôle ε(t), trouver la meilleure porte devient un problème d'optimisation : minimiser le coût C = 1 − F, où F est la fidélité entre l'évolution réalisée et l'unitaire cible.La descente de gradient met à jour les paramètres d'impulsion θ dans le sens opposé au gradient : θ_{k+1} = θ_k − η∇_θC(θ_k).GRAPE (Khaneja et al., 2005) a introduit des gradients analytiques pour ce problème ; la différentiation automatique le généralise — construire toute l'évolution temporelle (par exemple un propagateur de Lindblad découpé par Trotter) avec des opérations PyTorch signifie qu'une seule passe arrière fournit les gradients exacts de TOUS les paramètres à la fois, alors que les différences finies exigent une simulation par paramètre.C'est crucial, car les impulsions modernes ont des centaines à des milliers de paramètres.La frontière est l'optimisation en système ouvert : au lieu d'optimiser dans une simulation de Schrödinger sans bruit puis d'escompter le score après coup (en multipliant par e^{−T/T1}), les optimiseurs différentiables comme GradPulse placent la relaxation T1, le déphasage pur (Tφ) et la fuite dans la passe avant via l'équation maîtresse de Lindblad — l'optimiseur marche sur le vrai tableau de score bruité.Le coût est élevé — une matrice densité est d×d, donc un modèle à coupleur explicite de dimension 27 porte 729 éléments — et réécrire le propagateur exige une validation croisée avec des solveurs indépendants (exponentielle de matrice exacte, ODE adaptative de QuTiP) jusqu'à un accord de ~10⁻¹⁴, imposé en CI.Analogie du quotidien
Idées reçues fréquentes
- L'optimisation sans gradient ne passe PAS à l'échelle — avec des centaines à des milliers de paramètres d'impulsion, des méthodes comme Nelder-Mead ralentissent drastiquement avec la dimension, tandis que la rétropropagation livre tous les gradients en un seul rembobinage. La différentiabilité est une condition de survie à grande échelle, pas une préférence.
- Que deux simulateurs concordent ne prouve RIEN s'ils partagent du code ou la même famille d'approximations — une discrétisation temporelle de type Trotter partagée produit des erreurs de mode commun invisibles à leur comparaison. Seule la réimplémentation indépendante (exponentielle de matrice exacte vs découpage de Trotter vs ODE adaptative) fait de l'accord une preuve.
À retenir
- GRAPE (2005) a introduit les gradients analytiques pour la conception d'impulsions ; l'autograd les généralise à toute simulation différentiable.
- La rétropropagation fournit les gradients de TOUS les paramètres d'impulsion en une seule passe arrière — les différences finies exigeraient une simulation par paramètre.
- Coût du système ouvert : une matrice densité est d×d, donc un modèle à coupleur explicite de dimension 27 porte 729 éléments — la modélisation honnête du bruit coûte cher.
- Les optimiseurs différentiables en système ouvert placent T1, Tφ et la fuite dans la passe avant au lieu d'un escompte e^{−T/T1} après coup — le gradient traverse le bruit.
- La validation croisée à trois solveurs (Trotter PyTorch vs exponentielle de matrice exacte NumPy vs ODE adaptative QuTiP) jusqu'à ~10⁻¹⁴ d'accord attrape les bogues de transcription ; une barrière CI fait échouer le build si deux solveurs divergent.
Vérifiez votre compréhension
Pourquoi la différentiabilité est-elle une condition de survie (et pas seulement une préférence) pour l'optimisation d'impulsions à grande échelle ?
- A.Parce que le matériel analogique n'accepte que des formes d'onde différentiables
- B.Parce qu'avec des centaines à des milliers de paramètres, seule la passe arrière unique de la rétropropagation rend le calcul du gradient praticable
- C.Parce que les méthodes sans gradient ne peuvent pas représenter des enveloppes gaussiennes
- D.Parce que le code différentiable tourne sur GPU et que les GPU sont obligatoires
Voir la réponse
Réponse: B. Parce qu'avec des centaines à des milliers de paramètres, seule la passe arrière unique de la rétropropagation rend le calcul du gradient praticable
Pourquoi: Les différences finies exigent une simulation par paramètre et la recherche sans gradient ralentit drastiquement avec la dimension. La rétropropagation donne les gradients exacts de tous les paramètres en un seul rembobinage — le seul chemin réaliste à l'échelle de centaines à milliers de segments d'impulsion.
Que signifie exactement 'le gradient traverse le bruit' dans un optimiseur différentiable en système ouvert ?
- A.L'optimiseur ajoute du bruit aléatoire au gradient pour échapper aux minima locaux
- B.Le gradient est moyenné sur de nombreuses exécutions matérielles bruitées
- C.Le chemin de la perte inclut les termes de bruit de Lindblad (T1, Tφ, fuite) dans le graphe autograd, de sorte que ∂C/∂θ reflète l'effet du bruit
- D.Le bruit s'annule dans le gradient parce qu'il est aléatoire
Voir la réponse
Réponse: C. Le chemin de la perte inclut les termes de bruit de Lindblad (T1, Tφ, fuite) dans le graphe autograd, de sorte que ∂C/∂θ reflète l'effet du bruit
Pourquoi: Toute l'évolution de Lindblad — y compris les termes de relaxation, de déphasage et de fuite — est construite à partir d'opérations différentiables, donc le gradient calculé tient déjà compte de la façon dont chaque paramètre change la fidélité dans le monde bruité, contrairement à l'escompte e^{−T/T1} après coup.
S’appuie sur
GRAPE gradient core is established (Khaneja 2005); the differentiable open-system tooling landscape incl. GradPulse case study (PureStateLabs/gradpulse, existence+claims verified on GitHub 2026-07-03) is current-state, hence timebound.
Apprendre en pratiquant
Ce concept fait partie d’un cursus de 46 niveaux, avec un simulateur interactif et Lumen — un tuteur dont les réponses sont vérifiées avant affichage. Les niveaux 1–5 sont gratuits.