CrossBench: Generalized Crosstalk Benchmark Generation for Quantum Computers

Dieser Beitrag stellt CrossBench vor, ein anpassbares System, das einen Graphen-Labeling-Algorithmus verwendet, um effizient generalisierte Crosstalk-Benchmarks für NISQ-Geräte mit beliebigen Topologien zu generieren und so die Identifizierung spezifischer Gatter zu ermöglichen, die erheblich zu den Qubit-Fehlerraten beitragen, ohne auf vom Anbieter bereitgestellte Metriken angewiesen zu sein.

Das Wesentliche

Das große Problem: Der „Lärmbelästigte-Nachbar"-Effekt

Stellen Sie sich vor, Sie versuchen, in einer Bibliothek ein ruhiges Gespräch zu führen (das ist Ihr Quantencomputer, der Berechnungen durchführt). Plötzlich beginnt jemand an einem benachbarten Tisch, ein Buch zuzuschlagen, zu schreien oder laute Musik zu spielen. Obwohl sie nicht mit Ihnen sprechen, erschwert ihr Lärm es Ihnen, Ihren eigenen Freund zu hören.

In der Welt der Quantencomputer nennt man dies Crosstalk (Übersprechen). Wenn ein Teil des Computers (ein „Qubit") eine Aufgabe erledigt, „ruft" es versehentlich seine Nachbarn an und verwirrt deren Berechnungen. Je größer und komplexer Quantencomputer werden, desto schwieriger wird es, dieses Rauschen zu verfolgen.

Derzeit geben die Unternehmen, die diese Computer bauen (wie IBM), den Nutzern nicht immer eine klare Karte darüber, welche spezifischen Aktionen das meiste Rauschen verursachen. Um diese Karte zu erhalten, müssen normalerweise Tausende teurer und zeitaufwändiger Tests durchgeführt werden.

Die Lösung: CrossBench (Der „Rausch-Detektiv")

Die Autoren dieses Papiers haben ein neues Werkzeug namens CrossBench entwickelt. Denken Sie an CrossBench als einen intelligenten, automatisierten „Rausch-Detektiv", der schnell herausfinden kann, welche spezifischen Aktionen den meisten Ärger in einem Quantencomputer verursachen, ohne dass jede einzelne Möglichkeit manuell getestet werden muss.

So funktioniert es, aufgeteilt in einfache Schritte:

1. Das Setup: Treiber und Zuschauer

CrossBench richtet ein Spiel mit zwei Arten von Rollen für die Qubits ein:

• Die Treiber: Das sind die „lauten Nachbarn". Ihnen wird befohlen, eine bestimmte Aktion (wie eine spezifische Gatter-Operation) immer wieder zu wiederholen. Ihre einzige Aufgabe ist es, Lärm zu machen.
• Die Zuschauer: Das sind die „ruhigen Beobachter". Sie sitzen in der Nähe, führen ihre eigene ruhige Routine durch und werden am Ende gemessen, um zu sehen, ob sie durch die Treiber gestört wurden.

2. Die Strategie: Eine intelligente Karte

Anstatt zu raten, wo Treiber und Zuschauer platziert werden sollen, verwendet CrossBench einen speziellen Graphen-Labeling-Algorithmus.

• Stellen Sie sich den Quantencomputer als Stadtplan vor, wobei die Qubits Häuser und die Verbindungen Straßen sind.
• CrossBench wandert durch diese Karte und platziert strategisch die „lauten" Treiber neben die „ruhigen" Zuschauer.
• Es stellt sicher, dass jeder Zuschauer mindestens einen lärmenden Nachbarn zum Testen hat, gleicht die Zahlen jedoch so aus, dass der Test fair und effizient ist.

3. Der Test: Messen des Chaos

Sobald die Karte eingerichtet ist, führt CrossBench den Test durch:

• Die Treiber gehen verrückt und wiederholen ihre lärmenden Aktionen.
• Die Zuschauer versuchen, ruhig zu bleiben.
• Am Ende werden die Zuschauer überprüft. Wenn sich der Zustand eines Zuschauers geändert hat (ein Fehler aufgetreten ist), bedeutet dies, dass der Lärm des Treibers stark genug war, um sie zu erreichen.

Indem dieser Test mit verschiedenen Kombinationen von „lärmenden" Aktionen (wie X-Gattern, CZ-Gattern usw.) durchgeführt wird, erstellt CrossBench eine Wertetabelle. Es sagt Ihnen: „Hey, wenn Sie das 'CZ'-Gatter verwenden, verursacht es viel Lärm für Ihre Nachbarn. Aber das 'ID' (Identitäts)-Gatter ist sehr ruhig."

Was sie fanden

Die Forscher testeten dieses Werkzeug an drei verschiedenen großskaligen IBM-Quantencomputern (namens Fez, Kingston und Miami).

• Das Ergebnis: CrossBench identifizierte erfolgreich, welche spezifischen Gatter auf allen drei Maschinen die „lauten Nachbarn" waren.
• Der Beweis: Die Ergebnisse waren statistisch signifikant, was bedeutet, dass das Werkzeug nicht nur Glück hatte; es fand die lärmenden Gatter jedes Mal zuverlässig.
• Der Nutzen: Es bewies, dass man ein klares Bild von Crosstalk erhalten kann, ohne ein Vermögen auszugeben oder ewig zu warten. Es funktioniert bei verschiedenen Formen und Größen von Quantencomputern, nicht nur bei einem bestimmten Typ.

Warum das wichtig ist (laut dem Papier)

Das Papier hebt drei Hauptgründe hervor, warum dieses Werkzeug nützlich ist:

1. Bessere Fehlerkorrekturen: Wenn Sie wissen, welche Gatter lärmend sind, können Sie bessere Software entwickeln, um diese spezifischen Fehler zu beheben.
2. Sicherheit: Das Papier erwähnt, dass Hacker Crosstalk potenziell nutzen könnten, um andere Benutzer auszuspionieren, die denselben Computer teilen (ein Konzept namens „Multitenancy"). CrossBench hilft, diese Risiken zu erkennen.
3. Effizienz: Es ist viel günstiger und schneller als ältere Methoden (wie „Simultaneous Randomized Benchmarking"), die versuchen, jede einzelne Verbindung einzeln zu testen.

Zusammenfassung

CrossBench ist eine intelligente, automatisierte Methode, um die „Lärmbelästigung" innerhalb eines Quantencomputers zu kartieren. Anstatt manuell jeden Raum in einem Haus zu testen, um die lärmenden Rohre zu finden, verwendet es eine clevere Strategie, um „Lärmemitter" neben „Hörer" zu platzieren und identifiziert schnell genau, welche Aktionen die meisten Störungen verursachen. Dies hilft Ingenieuren, bessere und zuverlässigere Quantencomputer zu bauen.

Technische Zusammenfassung

1. Problemstellung

Da Quantencomputer in Größe und topologischer Komplexität skalieren (insbesondere im Zeitalter der Noisy Intermediate-Scale Quantum oder NISQ), sind Crosstalk-Fehler zu einem kritischen Engpass geworden. Crosstalk tritt auf, wenn Operationen auf einem Qubit unbeabsichtigt den Zustand eines anderen beeinflussen, was durch Mechanismen wie dauerhaft aktive $ZZ$-Wechselwirkungen, $ZX$- und $XY$-Kopplungen entsteht.

Die identifizierten Kernherausforderungen sind:

• Skalierbarkeit: Bestehende Benchmarking-Techniken, wie Idle Tomography (IDT) und Simultaneous Randomized Benchmarking (SRB), erfordern eine exhaustive Prüfung jedes Qubits oder jeder Kopplung. Wenn Systeme über 100 Qubits hinauswachsen, werden diese Methoden prohibitiv teuer und zeitaufwendig.
• Mangelnde Zugänglichkeit: Anbieter von Quantenhardware stellen selten granulare Crosstalk-Metriken bereit, obwohl diese für Fehlerminderung, Circuit-Transpilierung und Quantensicherheit (z. B. zum Erkennen von Crosstalk-basiertem Malware wie QubitVise) unerlässlich sind.
• Einschränkung auf eine einzige Quelle: Viele bestehende Modelle betrachten nur Crosstalk aus einer einzigen Quelle, wohingegen moderne Angriffe und Hardware-Verhalten gleichzeitige Interferenzen von mehreren Qubits beinhalten.

2. Methodik: CrossBench

Die Autoren schlagen CrossBench vor, ein anpassbares System, das Crosstalk-Benchmarks für Geräte mit beliebigen Topologien und endlichen Gatter-Sets generiert. Das System arbeitet nach einem Driver-Spectator-Modell:

• Driver-Qubits: Führen ein spezifisches Gatter wiederholt aus, um Crosstalk zu erzeugen. Sie werden nicht gemessen.
• Spectator-Qubits: Führen eine Sequenz von Gattern aus (oft so konzipiert, dass sie der Identitätsoperation entspricht) und werden am Ende gemessen, um durch den Driver verursachte Zustandsänderungen zu erkennen.

Wichtige technische Komponenten:

• Graphbasierte Topologie-Darstellung: Das Quantengerät wird als gerichteter Graph modelliert, wobei Knoten Qubits und Kanten Kopplungen darstellen.
• Angepasster Graph-Labeling-Algorithmus: CrossBench verwendet einen Vier-Pass-Algorithmus, um Driver- und Spectator-Rollen den Qubits zuzuweisen:
  1. Pass 1 & 2: Zuweisung von Drivers und Spectators bis zu benutzerdefinierten Schwellenwerten.
  2. Pass 3 & 4: Auffüllen des verbleibenden Raums zur Optimierung der Stichprobengröße und Sensitivität.
  • Einschränkung: Jeder Spectator muss mindestens einen benachbarten Driver haben und umgekehrt. Der Algorithmus durchsucht den Graphen rekursiv, um gültige Platzierungen sicherzustellen.
• Circuit-Konstruktion:
  • Driver-Tiefe ($d_D$): Berechnet basierend auf der geschätzten nativen Gatter-Fehlerrate ($E$) und einem benutzerdefinierten Fehlerschwellenwert ($\delta$), um sicherzustellen, dass die kumulative Fehlerrate begrenzt bleibt (Gleichung 1).
  • Spectator-Tiefe ($d_S$): Konstruiert, um sicherzustellen, dass die Spectator-Gattersequenz der Identitätsoperation entspricht, während die Ausführungszeit des Drivers eingehalten wird (Gleichung 3 & 4).
  • Zeitliche Ausrichtung: Eine Verzögerung wird vor der Spectator-Messung eingefügt, um sicherzustellen, dass alle Benchmarks vergleichbare Dekohärenzeffekte erfahren, wobei die gesamte Ausführungszeit an die längste mögliche Driver-Sequenz angepasst wird (Gleichung 5).
• Ausgabe: Das System generiert Qiskit-Circuits. Die Ergebnisse sind Bitstrings, wobei „1" einen Fehler auf einem Spectator-Qubit anzeigt. Durch Aggregation der Ergebnisse über viele Shots berechnet das System Fehlerraten, die spezifischen Driver-Spectator-Gatter-Paaren zuzuschreiben sind.

3. Hauptbeiträge

• Skalierbare Benchmark-Generierung: CrossBench hält die Quanten-Rechenkosten unabhängig von der Systemgröße konstant, im Gegensatz zu IDT/SRB, die sich schlecht skalieren lassen.
• Detektion von Mehrfach-Quellen-Crosstalk: Im Gegensatz zu früheren Methoden, die einzelne Quellen testen, kann CrossBench gleichzeitig mehrere Drivers benchmarken und so moderne Angriffsvektoren sowie komplexe Hardware-Interaktionen nachahmen.
• Hardware-Agnostizismus: Das Tool ist für jeden Quantencomputer konzipiert, der als endlicher gerichteter Graph darstellbar ist, und unterstützt beliebige Topologien und Gatter-Sets.
• Anpassbarkeit: Benutzer können Fehlerschwellenwerte, Sensitivitätsschwellenwerte und Stichprobenstrategien anpassen, um spezifische Hardware-Eigenschaften (z. B. Systeme mit schwächerem Crosstalk) zu berücksichtigen.

4. Experimentelle Ergebnisse

Die Autoren bewerteten CrossBench auf drei IBM-Quantenprozessoren mit unterschiedlichen Topologien:

• IBM Fez (156-Qubit Heron)
• IBM Kingston (156-Qubit Heron)
• IBM Miami (120-Qubit Nighthawk)

Experimenteller Aufbau:

• Die Benchmarks wurden mit 10.000 Shots pro Circuit ausgeführt.
• Getestete Gatter: $X$, $SX$, $CZ$ und $ID$ (Identität).
• Pro Gerät wurden sieben unabhängige Benchmark-Läufe durchgeführt, um statistische Stabilität zu gewährleisten.

Ergebnisse:

• Statistische Signifikanz: CrossBench identifizierte erfolgreich Gatter, die signifikanten Crosstalk induzieren, mit $p < 0.05$ über alle Geräte hinweg.
• Gatter-abhängige Variationen:
  • Auf IBM Fez erfuhren $CZ$-Spectators mit $CZ$-Drivers signifikant mehr Fehler als mit $SX$-Drivers ($p=0.021$).
  • Auf IBM Kingston zeigten $ID$-Spectators höhere Fehlerraten mit $X$-Drivers als mit $ID$-Drivers ($p < 0.01$).
  • Auf IBM Miami zeigten $CZ$-Spectators mehr Fehler mit $X$-Drivers im Vergleich zu $ID$-Drivers ($p=0.021$).
• Vergleich mit der Basislinie: Unter Verwendung von $ID$-Gattern als Basislinie quantifizierte das System die relative Crosstalk-Stärke anderer Gatter. $ID$-Drivers erzeugten konsistent die niedrigsten Fehlerraten, was ihre Nützlichkeit als Kontrolle bestätigt.
• Variabilität: Die Studie stellte eine Lauf-zu-Lauf-Variabilität aufgrund von Hardware-Rauschen und zufälliger Platzierung fest, was darauf hindeutet, dass mehrere Läufe für stabile Schätzungen an großen Systemen notwendig sind.

5. Bedeutung und zukünftige Implikationen

• Praktischer Nutzen: CrossBench bietet eine kostengünstige, zugängliche Methode zur Gewinnung von Crosstalk-Metriken an großen NISQ-Geräten, wo traditionelle Methoden zu teuer sind.
• Sicherheitsanwendungen: Die Fähigkeit, Mehr-Qubit-Interferenzen zu erkennen, macht CrossBench zu einem wichtigen Werkzeug zur Identifizierung von Schwachstellen gegenüber Crosstalk-basiertem Malware (z. B. QubitHammer) und zur Entwicklung von Minderungsstrategien.
• Breite Anwendbarkeit: Obwohl an supraleitenden Systemen getestet, ermöglicht der graphbasierte Ansatz eine Erweiterung auf andere Plattformen, wie z. B. neutrale Atom-Systeme, um interaktionsinduzierte Fehler zu untersuchen.
• Zukünftige Arbeiten: Die Autoren planen, das Tool Open-Source zu veröffentlichen, Funktionen für „Padding" zwischen Qubits hinzuzufügen, um Isolationsstrategien zu testen, und die Daten zur Entwicklung von Crosstalk-basierter Malware-Erkennung und Multitenant-Scheduling-Algorithmen zu nutzen.

Zusammenfassend stellt CrossBench einen bedeutenden Schritt vorwärts dar, um die Charakterisierung von Quantenhardware skalierbar, flexibel und relevant für die Sicherheits- und Leistungsbedürfnisse des modernen Quantencomputings zu machen.