Multi-Layer Cycle Benchmarking for high-accuracy error characterization
Dieses Paper führt Multi-Layer Cycle Benchmarking (MLCB) ein, ein skalierbares Protokoll, das die Erlernbarkeit effektiver Pauli-Rauschmodelle durch die gemeinsame Analyse mehrerer Clifford-Gate-Schichten verbessert, wodurch die unlernbaren Rauschfreiheitsgrade signifikant reduziert werden, um die Charakterisierungsgenauigkeit und die Leistungsfähigkeit von Fehler-Mitigationstechniken zu verbessern.