Reducing Quantum Error Mitigation Bias Using Verifiable Benchmark Circuits

Die vorgestellte Arbeit stellt einen einfachen, anpassungsfähigen und ressourcenschonenden Ansatz vor, der durch die Konstruktion verifizierbarer Benchmark-Schaltkreise, die das Rauschprofil der Zielanwendung nachbilden, die Verzerrung bei Quantenfehlerminderungsmethoden reduziert und so auf 100-Qubit-Schaltkreisen bis zu 15% höhere Fidelität im Vergleich zu Standardverfahren erzielt.

Das Wesentliche

Das Problem: Der verrückte Koch und sein unzuverlässiges Messgerät

Stellen Sie sich vor, Sie wollen ein perfektes Gericht kochen (das ist Ihre Quantenberechnung). Aber Sie arbeiten in einer Küche, die sehr laut und chaotisch ist (das ist der Quantencomputer). Die Geräte sind alt, die Lichter flackern, und wenn Sie versuchen, etwas zu messen, zeigt Ihr Thermometer oft den falschen Wert an.

In der Welt der Quantencomputer nennen wir diese Fehler „Rauschen". Da die Computer noch zu fehleranfällig sind, um sie perfekt zu reparieren (wie bei einem normalen Computer), versuchen Wissenschaftler, die Fehler nachträglich zu korrigieren. Das nennt man Fehlerminderung (Error Mitigation).

Das alte Problem:
Bisherige Methoden waren wie ein Koch, der sagt: „Ich weiß, mein Thermometer zeigt oft 2 Grad zu viel an, also ziehe ich einfach 2 Grad ab." Das funktioniert manchmal gut, aber oft ist der Fehler nicht genau 2 Grad, sondern mal 1,5 und mal 2,5. Die Methode korrigiert also nicht perfekt; sie macht die Antwort nur weniger falsch, aber sie führt immer noch in die falsche Richtung. Man nennt das Bias (Verzerrung).

Die Lösung: Der „Spiegel-Test"

Die Autoren dieses Papiers haben eine clevere Idee entwickelt, um diesen verbleibenden Fehler zu finden und zu entfernen.

Stellen Sie sich vor, Sie wollen wissen, wie genau Ihr Thermometer wirklich ist. Anstatt nur auf das echte Gericht zu schauen, kochen Sie ein zweites, einfaches Gericht (das ist der Benchmark-Code).

• Dieses zweite Gericht ist so einfach, dass Sie im Kopf genau wissen, wie es schmecken müsste (z. B. „es muss genau salzig sein").
• Aber! Es wird in derselben verrückten Küche zubereitet, mit denselben alten Messgeräten und denselben Störungen wie das echte Gericht.

Wenn Sie nun das einfache Gericht messen und es schmeckt „zu salzig", wissen Sie genau: „Aha, mein Thermometer ist heute um 10 % zu hoch!"

Der Trick: Die Korrektur

Jetzt wenden Sie diesen Wissen auf das echte, komplizierte Gericht an:

1. Sie messen das einfache Gericht und sehen den Fehler.
2. Sie messen das echte Gericht.
3. Sie nehmen den Fehler vom einfachen Gericht und ziehen ihn vom echten Ergebnis ab.

Das Ergebnis ist viel genauer als zuvor. Die Autoren nennen diese Methode „Verifizierbare Benchmark-Schaltungen".

Zwei Arten, den Test zu machen

Das Papier beschreibt zwei Wege, wie man dieses „einfache Gericht" (den Benchmark) erstellt:

1. Der universelle Weg (Hardware-unabhängig):
   Man baut ein Gericht, das für jede Küche funktioniert. Man muss dafür vielleicht ein paar extra Zutaten hinzufügen (ein paar zusätzliche einfache Gatter), aber es funktioniert überall. Es ist wie ein universelles Rezept, das man in jeder Küche kochen kann, auch wenn die Herde unterschiedlich sind.

2. Der maßgeschneiderte Weg (Speziell für IBM-Chips):
   Man kennt die Küche genau (den IBM-Chip). Man weiß genau, welche Zutaten dort wie funktionieren. Deshalb kann man das Test-Gericht so bauen, dass es keine extra Zutaten braucht. Es ist genauso effizient wie das echte Gericht, aber man weiß trotzdem genau, wie es schmecken müsste. Das ist wie ein Koch, der genau weiß, wie sein eigener Ofen tickt, und daher keine Testkuchen braucht, um zu wissen, ob er heiß genug ist – er weiß es einfach.

Was haben sie bewiesen?

Die Forscher haben das in der Praxis getestet:

• Am Computer: Sie haben Simulationen mit 100 Qubits gemacht (das ist riesig für heutige Standards).
• Im echten Leben: Sie haben echte Experimente auf einem echten IBM-Quantencomputer (dem „ibm_fez" mit 100 Qubits) durchgeführt.

Das Ergebnis:
Ihre neue Methode (die sie bnZNE und Bias-Mitigation nennen) war deutlich besser als die alten Methoden.

• Die Ergebnisse waren genauer (höhere „Fidelity").
• Sie konnten sogar lange Zusammenhänge zwischen weit entfernten Teilen des Systems erkennen, die mit alten Methoden verloren gegangen wären.

Warum ist das wichtig?

Stellen Sie sich vor, Sie nutzen einen Navigationssystem in einem stürmischen Sturm. Die alten Methoden sagten: „Wir sind wahrscheinlich 500 Meter daneben." Die neue Methode sagt: „Wir wissen genau, dass das System heute 500 Meter daneben liegt, also korrigieren wir die Route sofort."

Das bedeutet, dass wir mit heutigen, fehleranfälligen Quantencomputern zuverlässigere Ergebnisse erzielen können, ohne warten zu müssen, bis die Computer perfekt sind. Es ist ein großer Schritt, um diese Technologie für echte Probleme (wie Medikamentenentwicklung oder Materialforschung) nutzbar zu machen.

Zusammenfassend:
Die Autoren haben einen cleveren „Spiegel" gebaut, der den Fehler des Quantencomputers genau abbildet. Indem sie diesen Spiegel nutzen, um die Messungen zu kalibrieren, bekommen sie Ergebnisse, die viel näher an der Wahrheit liegen als je zuvor.

Technische Zusammenfassung

Titel: Reduzierung der Verzerrung bei der Quantenfehlerminderung durch verifizierbare Benchmark-Schaltkreise

Autoren: Joseph Harris, Kevin Lively, Peter K. Schuhmacher (DLR, Deutschland)
Datum: März 2026

---

1. Problemstellung

Quantencomputer im NISQ-Zeitalter (Noisy Intermediate-Scale Quantum) leiden unter erheblichen Rauscheffekten, die eine Fehlerkorrektur im klassischen Sinne (Quantenfehlerkorrektur) noch nicht ermöglichen. Stattdessen werden Methoden zur Quantenfehlerminderung (Quantum Error Mitigation, QEM) eingesetzt, wie z. B. die Zero-Noise Extrapolation (ZNE).

Das Hauptproblem, das in diesem Paper adressiert wird, ist die Verzerrung (Bias) bei diesen QEM-Methoden.

• Herkömmliche QEM-Methoden reduzieren zwar das Rauschen, führen aber oft zu einer systematischen Abweichung (Bias) des erwarteten Werts vom exakten Wert, insbesondere bei großen Schaltkreisen.
• Es besteht ein klassischer Kompromiss zwischen Varianz und Bias: Methoden, die die Varianz reduzieren, erhöhen oft den Bias und umgekehrt.
• Bisher fehlten effiziente Wege, diesen verbleibenden Bias für spezifische Anwendungsschaltkreise zu quantifizieren und zu korrigieren, ohne den Rechenaufwand exponentiell zu steigern.

2. Methodik

Die Autoren schlagen einen modularen Ansatz vor, der auf der Konstruktion von verifizierbaren Benchmark-Schaltkreisen basiert, die die Struktur des eigentlichen Anwendungsschaltkreises spiegeln.

A. Konzept der Benchmark-Schaltkreise

Für einen gegebenen Anwendungsschaltkreis $A$ wird ein entsprechender Benchmark-Schaltkreis $B$ definiert, der folgende Bedingungen erfüllt:

1. Struktur-Ähnlichkeit: $A$ und $B$ müssen auf der Ziel-Hardware zu einer identischen Sequenz von nativen Gattern transpiliert werden können (gleiche Topologie und Rauschprofil).
2. Klassische Verifizierbarkeit: Das Messergebnis von $B$ muss klassisch effizient berechenbar sein (z. B. Clifford-Schaltkreise).
3. Bekannter Erwartungswert: Der exakte Erwartungswert einer Observablen $O$ für $B$ ist bekannt (typischerweise $\langle O \rangle_{exact} = 1$).

B. Bias-Mitigation (Bias-Korrektur)

Die Idee ist, den Bias des Anwendungsschaltkreises durch den gemessenen Bias des Benchmark-Schaltkreises zu korrigieren.

• Sei $\langle O \rangle_{QEM}$ der fehlergeminderte Wert und $b$ der Bias.
• Da der exakte Wert von $B$ bekannt ist ($\langle O \rangle_{exact}^B = 1$), kann der Bias $b_B$ direkt gemessen werden.
• Der korrigierte Wert für den Anwendungsschaltkreis wird berechnet als:
  $$\langle O \rangle_{b-mit}^A = \frac{\langle O \rangle_{QEM}^A}{\langle O \rangle_{QEM}^B}$$
  Dies reduziert den verbleibenden Bias signifikant, da $b_A$ und $b_B$ aufgrund der ähnlichen Struktur stark korreliert sind.

C. Benchmarked-Noise Zero-Noise Extrapolation (bnZNE)

Die Autoren erweitern die Standard-ZNE-Methode:

• Statt die Extrapolation gegen einen theoretischen Skalierungsfaktor $r$ (Anzahl der Gatter) durchzuführen, wird die Extrapolation gegen einen gemessenen Rauschparameter $\epsilon(r)$ durchgeführt.
• Dieser Parameter $\epsilon(r)$ wird durch die Messung der Benchmark-Schaltkreise an den verschiedenen Rauschniveaus ermittelt (basierend auf der Wahrscheinlichkeit falscher Messergebnisse).
• Dies führt zu einer präziseren Schätzung des Rauschlevels und damit zu einer besseren Extrapolation auf den Rausch-freien Fall ($\epsilon = 0$).

D. Generierungsmethoden für Benchmark-Schaltkreise

Das Paper stellt zwei Methoden zur Erzeugung dieser Schaltkreise vor:

1. Hardware-agnostisch: Basierend auf Pauli-Rotationen. Der Anwendungsschaltkreis wird als Folge von Pauli-Rotationen dargestellt. Der Benchmark-Schaltkreis nutzt zufällige Winkel und Gatter, behält aber die Struktur bei. Dies erfordert einen leichten Overhead an Ein-Qubit-Gattern für die Transpilierung.
2. Hardware-spezifisch (IBM Heron): Nutzt das Wissen über die native Gattermenge von IBM-Hardware (CZ, $R_Z$, $X$, $\sqrt{X}$). Durch Ersetzen von $\sqrt{X}$ durch $X$ (gleiche Fehlerquote) entstehen Schaltkreise ohne zusätzlichen Gatter-Overhead, deren Zustand klassisch effizient berechenbar ist.

3. Schlüsselbeiträge

• Theoretische Analyse: Analytischer Beweis, dass die Bias-Korrektur bei uniformem depolarisierendem Rauschen und ZNE zu einer signifikanten Reduktion des Fehlers führt.
• bnZNE-Protokoll: Einführung einer neuen, verbesserten ZNE-Variante, die den Rauschlevel direkt über Benchmark-Schaltkreise kalibriert.
• Skalierbarkeit: Die Methode ist auf Utility-Scale (bis zu 100 Qubits) anwendbar und erfordert nur eine Verdopplung der Schaltkreisläufe im Vergleich zur Standard-QEM (ein Lauf für Anwendung, einer für Benchmark).
• Software-Tool: Bereitstellung eines Software-Pakets (GitHub) zur Implementierung der Methoden.

4. Ergebnisse

Die Methoden wurden sowohl numerisch als auch experimentell auf der IBM-Plattform validiert:

• Numerische Simulationen (10 Qubits):

  • Anwendung auf das gekickte Ising-Modell und das Heisenberg-Modell.
  • Die Bias-mitigierten Methoden zeigten eine fast vollständige Eliminierung des Fidelity-Bias im Vergleich zur Standard-ZNE.

• Experimentelle Ergebnisse (100 Qubits auf ibm_fez):

  • Single-Site Observablen ($\langle Z \rangle$): Die bnZNE-Methode (sowohl mit als auch ohne Bias-Korrektur) übertraf die Standard-ZNE in Bezug auf mittlere Fidelity und Root Mean Squared Error (RMSE).
  • Korrelationen: Bei der Messung von Zwei-Qubit-Korrelationen und deren exponentiellen Zerfallsraten über eine 100-Qubit-Kette hinweg zeigten die bias-korrigierten Methoden eine deutlich bessere Wiederherstellung der langreichweitigen Korrelationen.
  • Hardware-Fehlererkennung: Die Benchmark-Schaltkreise ermöglichten es, fehlerhafte Qubits auf dem Chip (z. B. bei Indizes 20 und 50) zu identifizieren, da deren Messergebnisse signifikant von der Erwartung abwichen.

• Vergleich mit IC-ZNE (Inverted-Circuit ZNE):

  • Die Autoren zeigten, dass die etablierte IC-ZNE-Methode bei 100 Qubits versagt, da die Wahrscheinlichkeit, den Null-Zustand zu messen, exponentiell mit der Qubit-Anzahl abfällt.
  • Die hier vorgestellte bnZNE-Methode bleibt auch bei großer Tiefe und Qubit-Zahl stabil.

5. Bedeutung und Ausblick

• Praktische Relevanz: Die Arbeit bietet einen Weg, um die Genauigkeit von NISQ-Ergebnissen ohne die exponentiellen Kosten der probabilistischen Fehlerkorrektur (PEC) zu verbessern.
• Modularität: Der Ansatz ist nicht an eine spezifische Hardware gebunden, solange verifizierbare Benchmark-Schaltkreise generiert werden können.
• Zukünftige Forschung: Die Autoren weisen darauf hin, dass die aktuellen Benchmark-Schaltkreise keine Verschränkung erzeugen und daher Kreuztalk-Effekte (Crosstalk) nicht vollständig abbilden. Zukünftige Arbeiten sollten verschränkende Benchmark-Schaltkreise entwickeln, um das Rauschprofil noch genauer zu simulieren.

Fazit: Das Paper demonstriert erfolgreich, dass durch die Nutzung von strukturell ähnlichen, verifizierbaren Benchmark-Schaltkreisen der systematische Bias in der Quantenfehlerminderung signifikant reduziert werden kann, was zu verlässlicheren Ergebnissen auf aktuellen Utility-Scale-Quantenprozessoren führt.