Multi-Layer Cycle Benchmarking for high-accuracy error characterization

بيان المشكلة
يعد التوصيف الدقيق للضجيج شرطاً أساسياً للحوسبة الكمومية الموثوقة والنشر الفعال لتقنيات تخفيف الخطأ القائمة على الوعي بالضجيج. وبينما توفر نماذج ضجيج "باولي" (Pauli noise models) الفعالة طريقة قابلة للتوسع لوصف عمليات الخطأ بعدد معقول من المعلمات، إلا أنها تعاني من قيد جوهري وهو: "قابلية التعلم" للقيم الذاتية لـ "باولي". وكما أظهرت أعمال سابقة (على سبيل المثال، المرجع [22])، فإن حرية القياس (gauge freedom) تسبب غموضاً يمنع التحديد المستقل لبعض معلمات قناة باولي من أخطاء إعداد الحالة والقياس (SPAM). وتحديداً، بالنسبة لمجموعة من بوابات كليفورد (Clifford gates)، فإن عدد درجات الحرية (DOF) غير القابلة للتعلم يتزايد أسياً مع عدد الكيوبتات. يمكن لبروتوكولات "اختبار الدورة" (Cycle Benchmarking - CB) القياسية تحديد جميع درجات الحرية القابلة للتعلم بدقة عالية وحصانة ضد أخطاء SPAM، لكنها تترك جزءاً كبيراً من المعلمات ليتم تقديرها عبر طرق "منخفضة الدقة" (مثل افتراضات التماثل أو الدوائر ذات العمق الموحد). هذه الكميات غير القابلة للتعلم، لا سيما في النماذج القابلة للتوسع مثل نموذج "باولي-ليندبلاد المتناثر" (Sparse Pauli-Lindblad - SPL)، يمكن أن تشكل جزءاً غير مهمل من إجمالي المعلمات (يقترب من ~4.8% في الأنظمة ذات الطوبولوجيا المربعة الكبيرة)، مما يؤدي إلى تدهور دقة توصيف الضجيج وفعالية استراتيجيات تخفيف الخطأ مثل "إلغاء الخطأ الاحتمالي" (Probabilistic Error Cancellation - PEC).

المنهجية: اختبار الدورة متعدد الطبقات (MLCB)
قدم المؤلفون "اختبار الدورة متعدد الطبقات" (Multi-Layer Cycle Benchmarking - MLCB)، وهو بروتوكول توصيف محسّن مصمم لزيادة عدد درجات الحرية القابلة للتعلم من خلال التحليل المشترك لطبقات متعددة من بوابات كليفورد. وخلافاً لاختبار CB القياسي، الذي يميز كل طبقة بمعزل عن غيرها، يقوم MLCB ببناء دوائر تتكون فيها "وحدة البناء" المكررة $d$ من مرات من مزيج لطبقات متميزة (على سبيل المثال، طبقات زرقاء وخضراء متبادلة) بدلاً من طبقة واحدة.

يعمل البروتوكول كما يلي:

1. مدارات متعددة الطبقات: يحدد MLCB "مداراً متعدد الطبقات" لزوج من الطبقات $L_1, L_2$. ومن خلال تطبيق تسلسل الطبقات وقياس القيمة المتوقعة لمؤثر باولي، يقيس البروتوكول حاصل ضرب القيم الذاتية لباولي من طبقات مختلفة (على سبيل المثال، $f^{L_1}_{\alpha} f^{L_2}_{\beta}$) بدقة عالية وحصانة ضد أخطاء SPAM.
2. فتح درجات الحرية غير القابلة للتعلم: في سياق نموذج SPL، الذي يفترض أن الضجيج ناتج عن مؤثرات ليندبلاد محلية، يوضح المؤلفون أن حاصل ضرب هذه الطبقات المتقاطعة يوفر قيوداً على نسب القيم الذاتية لـ "باولي" من الوزن الواحد غير القابلة للتعلم. فعلى سبيل المثال، في نظام من بوابات CZ المتوازية، يمكن لـ MLCB تحديد نسبة القيم الذاتية غير القابلة للتعلم المرتبطة بالكيوبتات المتجاورة في طبقات مختلفة.
3. القابلية للتوسع: تم تطبيق الطريقة على وحدة معالجة كمومية (QPU) ذات طوبولوجيا مربعة تحتوي على أربع طبقات كثيفة من بوابات CZ المتوازية. ومن خلال تحليل أزواج من الطبقات (أزرق-أخضر، أخضر-أحمر، إلخ)، يفرض MLCB قيوداً عالية الدقة تقلل عدد درجات الحرية غير القابلة للتعلم من $\sim 4n$ إلى $\sim n$ في الأنظمة الكبيرة، مما يقلل فعلياً من نسبة العناصر غير القابلة للتعلم بنسبة 75%.

المساهمات الرئيسية

• تطوير البروتوكول: صياغة MLCB، الذي يستفيد من القيود المتأصلة في نماذج الضجيج الفعالة لاستخراج معلومات من دوائر متعددة الطبقات لا يمكن الوصول إليها عبر CB أحادي الطبقة.
• التحليل النظري: اشتقاق منهجي يوضح كيف يفتح MLCB درجات حرية محددة في كل من السلاسل المفتوحة والمغلقة من الكيوبتات، مما يثبت قدرته على تحديد نسب القيم الذاتية غير القابلة للتعلم لأي تركيبات من طبقات كليفورد.
• التحقق التجريبي: تنفيذ MLCB على معالج IQM Garnet™ فائق التوصيل ذي 20 كيوبت. نجحت التجربة في قياس الفروق بين منتجات القيم الذاتية لباولي وكانت غير متوافقة إحصائياً مع الصفر، مما فند تجريبياً الافتراض الشائع بأن القيم الذاتية غير القابلة للتعلم متماثلة أو مساوية لمرافقاتها.
• المحاكاة العددية: إظهار أن دمج بيانات MLCB في ملاءمة نماذج ضجيج SPL يقلل بشكل كبير من خطأ إعادة البناء (المقاس بمسافة $L_1$) مقارنة باستخدام CB القياسي وطرق التقدير منخفضة الدقة فقط.

النتائج

• تقليل درجات الحرية غير القابلة للتعلم: في السيناريوهات الواقعية التي تتضمن طبقات CZ كثيفة على طوبولوجيا مربعة، يقلل MLCB عدد درجات الحرية غير القابلة للتعلم للضجيج بنسبة تصل إلى 75%.
• الأدلة التجريبية: في معالج IQM Garnet™، كانت الفروق المقاسة بين منتجات القيم الذاتية للطبقات المتقاطعة غير صفرية باستمرار (بأهمية إحصائية تصل إلى ~99.5%)، مما يؤكد أن افتراضات التماثل المستخدمة غالباً لتقدير المعلمات غير القابلة للتعلم تنتهك في الأجهزة الحقيقية.
• تحسين دقة التوصيف: تظهر المحاكاة العددية على أنظمة مكونة من 20 كيوبت أن استخدام بيانات MLCB يؤدي إلى إعادة بناء أكثر دقة لنموذج الضجيج الأساسي. كانت نسبة أخطاء إعادة البناء ($r = \Delta_{MLCB} / \Delta_{CB}$) أقل من 1 باستمرار، وغالباً ما وقعت في نطاق 0.5 إلى 0.8، مما يشير إلى تحسن جوهري في دقة النموذج.
• تعزيز تخفيف الخطأ: ينعكس التوصيف المحسن للضجيج مباشرة على أداء "إلغاء الخطأ الاحتمالي" (PEC). أظهرت المحاكاة أن استخدام النماذج الموصوفة بواسطة MLCB قلل من الانحراف المعياري لانحياز PEC بمقدار ثلاثة أضعاف تقريباً مقارنة بطرق التوصيف التقليدية.

الأهمية
يضع هذا البحث MLCB كأداة عملية، قابلة للتوسع، وفعالة من حيث الموارد لتوصيف الضجيج بدقة. ومن خلال تقليل الاعتماد بشكل كبير على طرق التقدير منخفضة الدقة للمعلمات غير القابلة للتعلم، يتيح MLCB بناء نماذج ضجيج فعالة أكثر دقة. وهذا بدوره يعزز أداء تقنيات تخفيف الخطأ القائمة على الوعي بالضجيج، والتي تعد ضرورية لتحقيق حوسبة كمومية موثوقة على الأجهزة المتاحة حالياً. ويؤكد المؤلفون أنه بينما يعالج MLCB عقبة محدودة القدرة على التعلم، فإنه يعمل ضمن السياق الأوسع للعيوب التجريبية (مثل الانجراف الزمني)، ويتطلب تنفيذه حِملاً إضافياً ضئيلاً (حوالي 7% من عمليات الدائرة الإضافية) لتحقيق تقليل بنسبة 75% في درجات الحرية غير القابلة للتعلم. ويكمل هذا العمل الأطر النظرية لقابلية تعلم ضجيج باولي من خلال توفير طريقة تشغيلية ملموسة لـ QPUs ثنائية الأبعاد ذات الطوبولوجيا المربعة.