Lieu : Palaiseau
Référent : Danijela Markovic
Contexte
L’informatique neuromorphique quantique exploite la dynamique des systèmes quantiques analogiques pour traiter des informations classiques ou des états quantiques et faciliter leur classification par le biais de mesures. Au sein de notre groupe, nous étudions les réseaux de modes bosoniques couplés paramétriquement, qui constituent une architecture prometteuse pour l’apprentissage automatique quantique. Le couplage paramétrique offre un large éventail d’interactions réglables, tandis que les modes bosoniques permettent d’accéder à la fois à des observables à variables continues et à des mesures discrètes du nombre de photons.
Nous avons mis en œuvre le calcul quantique par réservoir à l’aide de circuits supraconducteurs et étudié le rôle de la cohérence quantique dans les performances de calcul [1,2]. Nous avons démontré que les propriétés des processus paramétriques déclenchés simultanément, notamment la conversion cohérente et le « squeezing » bimodal, peuvent être entraînées pour effectuer des tâches de classification telles que la reconnaissance de chiffres manuscrits [3]. Dans les circuits supraconducteurs, le couplage paramétrique est rendu possible par la non-linéarité des jonctions de Josephson. Nos premières expériences ont utilisé un modulateur en anneau de Josephson (JRM) pour mettre en œuvre le mélange à trois ondes. Cependant, les non-linéarités d’ordre supérieur, notamment les interactions de Kerr auto-induites et croisées, entraînent des écarts par rapport à la dynamique gaussienne idéale utilisée pour calculer les gradients d’apprentissage. L’élément inductif asymétrique non linéaire supraconducteur (SNAIL) offre un mélange à trois ondes réglable tout en permettant de supprimer fortement les interactions de Kerr [4,5].
Objectif
L’objectif de ce stage est de remplacer le JRM par un élément de mélange à trois ondes basé sur le modèle SNAIL, couplant deux résonateurs micro-ondes [4–6]. Le projet comprendra des simulations électromagnétiques, la conception et l’optimisation de circuits, la fabrication en salle blanche, ainsi que la caractérisation cryogénique des micro-ondes. Les premières mesures s’appuieront sur la détection homodyne pour caractériser les modes des résonateurs et les interactions à commande paramétrique, tout en étudiant les non-linéarités de Kerr résiduelles. Méthodes et techniques : simulations électromagnétiques par éléments finis, lithographie par faisceau d’électrons et UV, mesures hyperfréquences cryogéniques et détection homodyne.
Perspectives
Ce stage posera les bases d’un projet de thèse visant à mettre en œuvre et à entraîner de manière expérimentale des réseaux neuronaux quantiques supraconducteurs. S’appuyant sur des méthodes d’apprentissage fondées sur la physique récemment développées au sein de notre équipe, cette thèse explorera comment les gradients d’apprentissage peuvent être extraits à partir des mesures de la réponse du système et utilisés pour optimiser ses interactions paramétriques. L’étudiant travaillera en étroite collaboration avec d’autres doctorants de l’équipe chargés de développer ces méthodes d’apprentissage, favorisant ainsi une forte interaction entre le développement matériel et les algorithmes d’apprentissage.
[1] Dudas et al., npj Quantum Inf. 9, 64 (2023).
[2] Carles et al., Phys. Rev. Applied 25, 054005 (2026).
[3] Dudas et al., Sci. Rep. 16, 14997 (2026).
[4] Frattini et al., Appl. Phys. Lett. 110, 222603 (2017).
[5] Sivak et al., Phys. Rev. Applied 11, 054060 (2019).
[6] Chapman et al., PRX Quantum 4, 020355 (2023)