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
Gespeichert in:
| Titel: | 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 |
|---|---|
| Autoren: | Leclerc, Lucas |
| Weitere Verfasser: | Laboratoire Charles Fabry / Gaz Quantiques, Laboratoire Charles Fabry (LCF), Institut d'Optique Graduate School (IOGS)-Université Paris-Saclay-Centre National de la Recherche Scientifique (CNRS)-Institut d'Optique Graduate School (IOGS)-Université Paris-Saclay-Centre National de la Recherche Scientifique (CNRS), Pasqal, Université Paris-Saclay, Thierry Lahaye |
| Quelle: | https://pastel.hal.science/tel-04745992 ; Optics [physics.optics]. Université Paris-Saclay, 2024. English. ⟨NNT : 2024UPASP046⟩. |
| Verlagsinformationen: | CCSD |
| Publikationsjahr: | 2024 |
| Bestand: | Institut d'Optique Graduate School, ParisTech: HAL |
| Schlagwörter: | Rydberg atoms, Optimal control, Digital twin, Quantum computer, Jumeau numérique, Contrôle optimal, Atome de Rydberg, Ordinateur quantique, [PHYS.PHYS.PHYS-OPTICS]Physics [physics]/Physics [physics]/Optics [physics.optics] |
| Beschreibung: | 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. ... |
| Publikationsart: | doctoral or postdoctoral thesis |
| Sprache: | English |
| Relation: | NNT: 2024UPASP046 |
| Verfügbarkeit: | https://pastel.hal.science/tel-04745992 https://pastel.hal.science/tel-04745992v1/document https://pastel.hal.science/tel-04745992v1/file/133983_LECLERC_2024_archivage.pdf |
| Rights: | info:eu-repo/semantics/OpenAccess |
| Dokumentencode: | edsbas.46B64CF6 |
| Datenbank: | BASE |
Nájsť tento článok vo Web of Science | Abstract: | 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. ... |
|---|