核心概念
傳統逐一校準大型光子積體電路中大量主動移相器的方法容易產生誤差累積,而本文提出了一種全局校準方法,利用自定義網絡同時學習所有熱光移相器的非線性相位-電流關係,並同步提取所有靜態分束器組件的反射率,有效解決了誤差累積問題。
研究背景
光子積體電路 (PIC) 在經典和量子信息處理領域的應用越來越廣泛,因為它們具有緊湊性、穩定性和可擴展性等關鍵特性。PIC 的可編程性通常通過主動控制可調諧移相器來實現。然而,隨著實際信息處理任務的複雜性不斷提高,對大型 PIC 的需求也隨之增加,校準芯片上數量眾多的主動移相器成為一個挑戰。傳統的校準方法需要將所有移相器解耦,然後對每個移相器進行單獨校準。然而,這種方法對於大型 PIC 來說並不理想,因為它存在兩個主要挑戰:首先,在複雜的網格結構中,很難找到一種有效且直接的方法來解耦所有移相器;其次,先前級別的移相器校準值的偏差也可能將誤差傳播到後續移相器的校準中。因此,隨著移相器數量的增加,校準誤差會逐漸累積,最終變得顯著且不可忽略。
全局校準方法
為了應對這些挑戰,本文提出了一種全局校準大型 PIC 的有效方法,從而減輕了傳統逐一校準方法中固有的誤差累積問題。全局校準方法利用具有模擬層的自定義網絡,創建物理 PIC 的虛擬副本,對其涉及光損耗的實際非酉過程進行建模。
該方法使用基於梯度下降的方法來確定需要校準的參數的最佳值,確保網絡的輸出與測量數據的分佈非常接近。通過一個電路深度為 12 的大型量子行走 (QW) PIC 的示例,我們發現訓練後的自定義網絡不僅可以同時提取所有熱光移相器的非線性相位-電流關係,還可以提取所有分束器的反射率。此外,我們還通過實驗證明了硅基 PIC 的校準,並實現了片上 QW。
實驗結果
實驗結果表明,該方法可以有效地校準大型光子積體電路。對於一個電路深度為 12 的量子行走芯片,該方法成功地校準了所有 65 個移相器和 78 個分束器。訓練後的網絡對測試數據集的平均距離為 0.033,表明校準結果與實際物理過程非常吻合。
結論
本文提出了一種全局校準大型光子積體電路的方法,該方法利用自定義網絡同時學習所有熱光移相器的非線性相位-電流關係,並同步提取所有靜態分束器組件的反射率。實驗結果表明,該方法可以有效地校準大型光子積體電路,為大型 PIC 在光子量子信息處理中的應用帶來了巨大的益處。
統計資料
該量子行走芯片包含 66 個移相器、78 個分束器和 24 個輸入/輸出端口。
該芯片的電路深度為 12。
實驗中使用了 1500 組電流分佈數據,其中 1275 組用於訓練自定義網絡,其餘 225 組用於測試。
測試結果顯示,85% 的測試樣本的距離值小於 0.05。
所有測試樣本的平均距離為 0.033 ± 0.018。
對於 12 步 Hadamard 量子行走,測量到的概率分佈與訓練網絡預測的分佈之間的 L1 範數距離為 0.057。
對於 9 步量子行走,重建的量子態的平均保真度為 0.025 ± 0.012,平均純度誤差為 0.042 ± 0.037。