Quantum sensing of noise based on Machine Learning [Sensing quantistico di rumore con apprendimento automatico]

Noise-induced decoherence is a central challenge in quantum technologies. This thesis explores machine learning (ML)-based methods for characterizing classical noise in quantum systems, with the goal of improving reliability of quantum technologies. In the first part, we study a three-level quantum networks driven by adiabatic control protocols (CTAP/STIRAP) and show that simple neural networks can classify different spatial correlations in non-Markovian noises and between non-Markovian and Markovian noise classes using only population transfer efficiency. In the second part, we extend this method to a two ultra-strongly coupled qubit system. Here, the same ML approach successfully distinguishes correlations in Markovian noise as well, due to asymmetries in system response. In the final part, we analyze the Gaussianity of environmental noise. By modeling qubit dynamics under Gaussian and non-Gaussian noise, we train ML models to estimate key noise parameters and quantify the contributions of both the noise components, even in hybrid environments. Together, these results demonstrate that ML can serve as a powerful, scalable tool for noise diagnosis in quantum systems.

La decoerenza quantistica indotta dal rumore rappresenta una delle principali sfide per le tecnologie quantistiche. Questa tesi esplora metodi basati sull’apprendimento automatico (ML) per la caratterizzazione del rumore classico in sistemi quantistici, con l’obiettivo di migliorarne l’affidabilità. Nella prima parte, si analizzano reti quantistiche a tre livelli guidate da protocolli di controllo adiabatico (CTAP/STIRAP) e si mostra che reti neurali semplici possono classificare le correlazioni spaziali in rumori non markoviani e distinguere tra rumore markoviano e rumore non markoviano, utilizzando come input solo l’efficienza del trasferimento di popolazione. Nella seconda parte, si estende questo metodo a un sistema composto da due qubit accoppiati in regime ultra-forte. Qui, lo stesso approccio ML riesce anche a distinguere le correlazioni nel rumore markoviano, grazie alle asimmetrie nella risposta del sistema. Nella parte finale, si analizza la gaussianità del rumore. Modellando la dinamica del qubit sotto l’effetto di rumore gaussiano e non gaussiano, alleniamo modelli ML per stimare i principali parametri del rumore e quantificare i contributi di entrambe le componenti, anche in ambienti ibridi. Nel complesso, questi risultati dimostrano che il ML può essere uno strumento potente e scalabile per la diagnosi del rumore nei sistemi quantistici.