⚛️ quantum physics

Mitigating Errors on Superconducting Quantum Processors through Fuzzy Clustering

Diese Arbeit präsentiert die erste Proof-of-Principle-Validierung einer Quantenfehler-Mitigationstechnik unter Verwendung von Fuzzy-C-Means-Clustering zur Identifizierung von Messfehlermustern, was eine verbesserte Genauigkeit der Erwartungswerte für Ein- und Zwei-Qubit-Schaltkreise auf einem realen 5-Qubit-Supraleiterprozessor demonstriert, ohne dass modernste Hardware-Fidelitäten erforderlich sind.

Ursprüngliche Autoren: Halima G. Ahmad, Roberto Schiattarella, Pasquale Mastrovito, Angela Chiatto, Anna Levochkina, Martina Esposito, Domenico Montemurro, Giovanni P. Pepe, Alessandro Bruno, Francesco Tafuri, Autilia Vitie

Veröffentlicht 2026-06-23

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Halima G. Ahmad, Roberto Schiattarella, Pasquale Mastrovito, Angela Chiatto, Anna Levochkina, Martina Esposito, Domenico Montemurro, Giovanni P. Pepe, Alessandro Bruno, Francesco Tafuri, Autilia Vitiello, Giovanni Acampora, Davide Massarotti

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Ganze: Ein verrauschtes Quantencomputer-Problem lösen

Stellen Sie sich vor, Sie besitzen ein sehr empfindliches, hochmodernes Musikinstrument (einen Quantencomputer), das wunderschöne, komplexe Lieder spielen kann (schwierige Probleme lösen). Dieses Instrument befindet sich jedoch derzeit in einem sehr lauten Raum. Jedes Mal, wenn Sie versuchen, eine Note zu spielen, weht der Wind, der Boden vibriert und das Mikrofon fängt statisches Rauschen auf. Bis die Musik bei Ihren Ohren ankommt, klingt sie verzerrt und falsch.

Dies ist der aktuelle Zustand von supraleitenden Quantenprozessoren. Sie sind leistungsstark, aber sie sind „verrauscht“. Die Fehler entstehen, weil die Maschinen so empfindlich sind, dass schon der Akt des Messens Fehler einführt.

Die Autoren dieser Arbeit haben nicht versucht, einen leiseren Raum zu bauen (was unglaublich schwierig und teuer wäre). Stattdessen haben sie einen neuen Weg erfunden, um die Aufnahme im Nachhinein zu bereinigen. Sie verwendeten einen mathematischen Trick namens Fuzzy Clustering, um genau herauszufinden, wie das Rauschen die Musik verfälscht, und korrigierten dies dann.

Das Problem: Die „unordentliche“ Messung

In einer perfekten Welt, wenn Sie einem Quantencomputer sagen, er solle einen bestimmten Zustand vorbereiten (wie einen Lichtschalter, der auf „An“ steht), bleibt er auch auf „An“. Aber in der realen Welt kann der Computer den Schalter versehentlich auf „Aus“ stellen, genau in dem Moment, in in dem Sie nachsehen.

Die Analogie: Stellen Sie sich vor, Sie machen ein Foto von einer Gruppe von Freunden. Da die Kamera wackelig ist und das Licht schlecht ist, sieht Ihr Freund auf dem Foto manchmal so aus, als würde er einen Hut tragen, obwohl er keinen trägt, oder es sieht so aus, als würde er lächeln, obwohl er eigentlich die Stirn runzelt.
Das Ergebnis: Sie erhalten ein „verrauschtes“ Foto. Sie wissen, was Sie eigentlich aufnehmen wollten, aber das Ergebnis ist verzerrt.

Die Lösung: Der „Fuzzy“-Detektiv

Die Forscher nutzten eine Technik namens Fuzzy C-Means (FCM) Clustering.

Die Analogie: Stellen Sie sich vor, Sie sind ein Detektiv, der herausfinden will, warum die Fotos Ihrer Freunde ständig seltsam aussehen. Sie machen 100 Fotos von Ihrem Freund in einer „lächelnden“ Pose und 100 Fotos in einer „grimmigen“ Pose.
- Einige „lächelnde“ Fotos sehen so aus, als würden sie grimmig schauen (ein Fehler).
- Einige „grimmige“ Fotos sehen so aus, als würden sie lächeln (ein Fehler).
- Aber die meisten sehen korrekt aus.

Anstatt zu sagen: „Dieses Foto ist definitiv ein Fehler“, sagt der Fuzzy-Ansatz: „Dieses Foto hat eine Wahrscheinlichkeit von 70 % für ein Lächeln und 3 % für ein Grinsen.“ Er erkennt an, dass der Fehler nicht schwarz-weiß ist, sondern eine Unschärfe darstellt.

Durch die Analyse von tausenden dieser „unscharfen“ Fotos (Datenpunkten) erstellt der Algorithmus eine Fehlerkarte (genannt Mitigation Matrix). Diese Karte sagt dem Computer: „Hey, wann immer du ein Ergebnis siehst, das wie X aussieht, besteht eine 20-prozentige Chance, dass es eigentlich Y sein sollte.“

Sobald sie diese Karte haben, können sie die rohen, verrauschten Ergebnisse des Computers durch einen „Reiniger“ (einen mathematischen Filter) laufen lassen, um das korrekte Ergebnis zu erhalten.

Was sie tatsächlich getan haben

Das Team hat dies nicht nur auf einem Computer simuliert, sondern an einem echten, physischen Quantenchip von QuantWare getestet.

Die Hardware: Sie verwendeten einen 5-Qubit-Chip (5-Bit), konzentrierten sich aber auf nur 2 Qubits (wie das Testen einer einzelnen Klaviertaste und der Taste direkt daneben).
Der Aufbau: Sie verwendeten nicht die teuerste, perfekte Ausrüstung. Ihr Chip hatte eine „durchschnittliche“ Leistung – er war nicht der beste der Welt und wies erhebliche Fehler auf (die Auslesefehler lagen in einigen Fällen bei etwa 20–40 %). Dies ist wichtig, denn es beweist, dass die Technik selbst dann funktioniert, wenn die Hardware nicht perfekt ist.
Der Test: Sie führten einfache Quantenschaltkreise aus (wie das Umlegen eines Schalters oder das gleichzeitige Umlegen von zwei Schaltern).
- Ohne die Korrektur: Die Ergebnisse waren oft falsch.
- Mit der Fuzzy-Korrektur: Sie wandten ihre „Fehlerkarte“ auf die Ergebnisse an.

Die Ergebnisse: Das Signal bereinigen

Die Arbeit berichtet, dass diese Methode gut funktionierte, insbesondere bei den „unordentlicheren“ Schaltkreisen:

Einfache Schaltkreise: Bei einfachen Aufgaben waren die Ergebnisse bereits recht gut, und die Korrektur brachte einen kleinen Schub (eine Verbesserung der Genauigkeit um etwa 3–10 %).
Komplexe Schaltkreise: Bei Aufgaben, bei denen zwei Qubits zusammenarbeiten (was viel verrauschter ist), war die Verbesserung enorm. In einigen Fällen verbesserten sie die Genauigkeit um 30 % oder mehr.
Die „magische Zahl“: Sie maßen den Erfolg mit etwas namens „Hellinger-Fidelity“ (einem Wert dafür, wie nah das Ergebnis an der Wahrheit liegt).
- Wenn der Computer sehr schlecht arbeitete (Score ~30 %), half die Korrektur ein wenig, konnte aber eine totale Katastrophe nicht beheben.
- Wenn der Computer schon ganz gut arbeitete (Score ~60 %), verwandelte die Korrektur das in ein großartiges Ergebnis (Score ~90 %+).

Das Fazit

Die Arbeit behauptet, dass Fuzzy Clustering ein leistungsfähiges Werkzeug zur Bereinigung verrauschter Quantendaten ist.

Es ist Software, keine Hardware: Man muss keine bessere Maschine bauen; man braucht nur bessere Mathematik, um die Daten nach dem Durchlauf der Maschine zu verarbeiten.
Es funktioniert auf „unperfekten“ Chips: Es erfordert keinen perfekten High-End-Quantencomputer, um zu funktionieren. Es hilft selbst den „robusteren“ Maschinen, besser zu werden.
Es ist schnell: Es geschieht auf einem normalen Computer, nachdem das Quantenexperiment abgeschlossen ist, sodass der Quantencomputer selbst nicht verlangsamt wird.

Kurz gesagt: Die Forscher haben gezeigt, dass selbst wenn Ihr Quantencomputer ein wenig „betrunken“ ist (verrauscht), Sie einen smarten mathematischen Filter verwenden können, um ihm zu helfen, die Wahrheit zu sagen.

Technisches Resümee: Abschwächung von Fehlern auf supraleitenden Quantenprozessoren durch Fuzzy-Clustering

Problemstellung
Der praktische Nutzen supraleitender Quantenhardware wird derzeit durch die Einschränkungen der Noisy Intermediate Scale Quantum (NISQ)-Ära begrenzt: eine bescheidene Anzahl von Qubits sowie hohe Raten an Steuerungs- und Auslesefehlern. Diese Fehler entstehen durch die beabsichtigte Kopplung mit der externen Umgebung, die für Manipulation und Auslese erforderlich ist, sowie durch Zustandsleckage (State Leakage) und Kreuzkopplung. Während die Quantenfehlerkorrektur (Quantum Error Correction, QEC) eine langfristige Lösung bietet, erfordert sie einen erheblichen Hardware-Overhead (tausende bis hunderttausende physische Qubits), der derzeit nicht realisierbar ist. Folglich sind Techniken zur Quantenfehlerabschwächung (Quantum Error Mitigation, QEM) essenziell, um die Genauigkeit von Erwartungswerten in aktuellen Geräten zu verbessern. Bestehende QEM-Methoden, wie die Zero-Noise Extrapolation (ZNE) oder die Probabilistic Error Cancellation (PEC), erfordern oft hohe Sampling-Kosten oder komplexe Parameteranpassungen. Zudem waren bisherige Demonstrationen von auf Fuzzy C-Means (FCM) basierender QEM auf verrauschte Quantensimulatoren beschränkt und wurden nicht auf realer NISQ-Hardware validiert.

Methodik
Die Autoren schlagen eine auf Fuzzy C-Means (FCM) Clustering basierende QEM-Technik vor und validieren diese experimentell, um Messfehlermuster zu identifizieren und zu korrigieren. Der Arbeitsablauf umfasst drei primäre Schritte:

Datensatz-Erstellung: Das 2-Qubit-Register wird in allen vier Rechenbasis-Zuständen ( $|00\rangle, |01\rangle, |10\rangle, |11\rangle$ ) initialisiert. Für jeden Zustand werden $t$ Experimente durchgeführt, um Wahrscheinlichkeitsvektoren zu sammeln, die die Auslese-Ergebnisse repräsentieren. Dies generiert vier Datensätze ( $D_i$ ), die Instanzen von Messwahrscheinlichkeiten enthalten.
Fuzzy-Clustering: Der FCM-Algorithmus wird auf jeden Datensatz angewendet, um die Wahrscheinlichkeitsvektoren in verschiedene Fehlermuster zu clustern. Im Gegensatz zum Hard-Clustering weist FCM jeder Instanz einen Zugehörigkeitsgrad zu jedem Cluster zu. Die optimale Anzahl der Cluster wird durch Maximierung des Fuzzy-Partitionskoeffizienten ( $f_{pc}$ ) bestimmt.
Konstruktion der Mitigationsmatrix: Der Algorithmus wählt die „am besten geeigneten“ Wahrscheinlichkeitsvektoren aus – jene mit den unsichersten Zugehörigkeitsgraden in der Fuzzy-Partitionsmatrix, die einen Kompromiss zwischen Fehlermustern darstellen. Diese Vektoren werden verwendet, um eine Kalibrierungsmatrix $M$ zu konstruieren. Die Mitigationsmatrix $S$ wird anschließend als Invers von $M$ berechnet ( $S = M^{-1}$ ). Diese Matrix wird klassisch auf verrauschte Zählvektoren ( $C_{noisy}$ ) angewendet, um die idealen Zählvektoren zu schätzen ( $C_{ideal} = S \cdot C_{noisy}$ ).

Experimenteller Aufbau
Die Technik wurde auf einem realen 5-Qubit-supraleitenden Quantenprozessor (QuantWare Soprano) auf Basis von Transmon-Qubits validiert. Das Experiment konzentrierte sich auf eine 2-Qubit-Teilmenge, bestehend aus den Qubits Q0 (niedrige Frequenz) und Q2 (zentrale mittlere Frequenz).

Hardware-Eigenschaften: Das Gerät wies moderate Kohärenzzeiten auf (z. B. $T_1 \approx 24 \mu s$ für Q0, $T_1 \approx 8 \mu s$ für Q2) und Auslesefidelitäten im Bereich von 60 % bis 80 %, ohne den Einsatz von quantenlimitierten Verstärkern oder hochentwickelten Auslesetechniken.
Gate-Performance: Die Single-Qubit-Gate-Fidelitäten lagen bei etwa 99,8 % (Q0) und 99,43 % (Q2). Die Zwei-Qubit-CZ-Gate-Fidelität betrug etwa 89 %, was niedriger als State-of-the-Art-Benchmarks ist und somit ein anspruchsvolles Testfeld für die Fehlerminimierung bietet.
Schaltkreise: Die Validierung umfasste 16 Testschaltkreise (4 Initialzustände $\times$ 4 Schaltkreistypen), die Single-Qubit-Gates (Hadamard, X-, Y-Rotationen) und Zwei-Qubit-Gates (CNOT konstruiert via CZ) umfassen.

Kernergebnisse
Die Leistung der FCM-QEM-Technik wurde mittels der Hellinger-Fidelität ($HF$) bewertet, welche die Ähnlichkeit zwischen den idealen und den experimentellen (gemitigierten und ungemitigierten) Wahrscheinlichkeitsverteilungen misst.

Single-Qubit-Schaltkreise: Die Technik lieferte eine moderate Verbesserung. Für „Single-qubit circuit 1“ verbesserte sich die durchschnittliche $HF$ um etwa +3 % (z. B. von 93 % auf 96 %). Für „Single-qubit circuit 2“ lagen die Verbesserungen zwischen +10 % und +15 %.
Zwei-Qubit-Schaltkreise: Signifikante Verbesserungen wurden bei Schaltkreisen mit niedrigeren initialen Fidelitäten beobachtet.
- Für „Two-qubit circuit 1“ (CNOT + H) lag die Verbesserung zwischen +5 % und +33 %, mit einer maximalen Verbesserung von +33 % für den $|00\rangle$ -Initialzustand (Steigerung der Fidelität von 54 % auf 87 %).
- Für „Two-qubit circuit 2“ (nur CNOT) lagen die Verbesserungen zwischen +0 % und +30 %.
Leistungsgrenzen: Die Autoren stellten fest, dass die Technik bei sehr niedriger ungemitigierter Hellinger-Fidelität (unter 50 %) nur minimale Korrekturen (5–9 % Verbesserung) bot. Bei initialen Fidelitäten um 60 % konnte die Technik die Auslese jedoch um bis zu 30 % verbessern. In Fällen, in denen der ungemitigierte Schaltkreis bereits eine hohe Fidelität (90 %) aufwies, konnte die Technik das Ergebnis auf ~99 % steigern.

Bedeutung und Ansprüche
Das Paper beansprucht, den ersten Proof-of-Principle-Nachweis der FCM-QEM-Technik auf einem realen NISQ-Gerät basierend auf supraleitenden Transmon-Qubits erbracht zu haben. Die Bedeutung dieser Arbeit liegt in der Demonstration, dass:

Hardware-Unabhängigkeit: Die FCM-basierte QEM-Technik kann die Genauigkeit von Erwartungswerten für Single- und Zwei-Qubit-Gate-Schaltkreise verbessern, ohne dass modernste Kohärenz-, Gate- oder Auslesefidelitäten erforderlich sind. Sie ist selbst auf Hardware mit „bescheidenen“ Leistungsmetriken effektiv.
Experimentelle Bequemlichkeit: Die Methode beruht vollständig auf klassischer Post-Processing und einer Initialisierungsroutine, wodurch zusätzliche Hardware-Ressourcen oder komplexe In-Circuit-Korrekturen (im Gegensatz zu ZNE oder t-REx) vermieden werden.
Stabilität: Die Technik demonstriert Reproduzierbarkeit über mehrere Durchläufe hinweg und berücksichtigt effektiv die Auslese-Randomisierung und das Shot-Rauschen.
Skalierbarkeit-Vorbehalt: Die Autoren räumen ein, dass wie bei anderen matrixbasierten QEM-Techniken die Rechenkosten zum Erstellen und Invertieren der Mitigationsmatrix exponentiell mit der Anzahl der Qubits skalieren, was eine Herausforderung für zukünftige Arbeiten darstellt.

Die Autoren kommen zu dem Schluss, dass FCM-QEM ein geeigneter Kandidat für die Auslesefehler-Abschwächung auf NISQ-Geräten ist, insbesondere für solche mit nicht optimierten Auslesecharakteristika, und in Software-Schnittstellen zwischen Hardware-Setups und Quantenprozessoren integriert werden kann.