⚛️ quantum physics

Tensor network characterization and mitigation of readout errors

Dieses Paper führt ein skalierbares Tensor-Netzwerk-Framework ein, das Auslesefehler als Matrix-Produkt-Operatoren modelliert, um korreliertes Rauschen in Quantenprozessoren der nächsten Generation effizient zu charakterisieren und zu mildern, wobei es über verschiedene Aufgaben und Systemgrößen hinweg eine überlegene Genauigkeit gegenüber unkorrelierten Modellen demonstriert.

Ursprüngliche Autoren: Yuchen Guo, Shuo Yang

Veröffentlicht 2026-06-25

📖 4 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Yuchen Guo, Shuo Yang

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

Stellen Sie sich vor, Sie versuchen, ein sehr leises Gespräch in einem Raum voller statischem Rauschen zu hören. In der Welt der Quantencomputer ist dieses „Gespräch“ die Information, die der Computer produziert, und das „Rauschen“ ist der Auslesefehler (Readout Error).

Wenn ein Quantencomputer eine Berechnung abgeschlossen hat, muss er seinen Quantenzustand in eine einfache „0“ oder „1“ übersetzen (wie einen Lichtschalter, der aus oder an ist). Leider ist die Hardware nicht perfekt. Manchmal wird eine „0“ fälschlicherweise als „1“ gelesen oder umgekehrt. Dies ist der Auslesefehler.

Lange Zeit behandelten Wissenschaftler diese Fehler wie unabhängige, zufällige Störungen. Sie nahmen an, dass es für Qubit A keine Bedeutung hatte, ob Qubit B einen Fehler machte. Es war so, als würde man davon ausgehen, dass es niemanden sonst beeinflusst, wenn eine Person in einem überfüllten Raum niest.

Das Problem mit der alten Methode
In der Realität sind Quantenchips dicht besiedelt. Die Drähte und Steuerungen liegen nah beieinander. Wenn Qubit A niest (einen Fehler macht), führt das oft dazu, dass auch Qubit B niest. Dies wird als korrelierter Fehler bezeichnet. Die alten „unabhängigen“ Modelle übersahen dies, was zu ungenauen Ergebnissen führte, insbesondere wenn Wissenschaftler versuchten, komplexe Muster zu messen, die viele Qubits gleichzeitig involvieren.

Die neue Lösung: Der „Tensor Network“-Übersetzer
Die Autoren dieser Arbeit, Yuchen Guo und Shuo Yang, schlagen einen neuen Weg vor, dies mithilfe eines mathematischen Werkzeugs namens Tensor Network (speziell ein Matrix Product Operator, oder MPO) zu beheben.

Denken Sie bei der alten Methode daran, wie man versucht, ein verrauschtes Telefongespräch zu korrigieren, indem man jede Person bittet, ihren eigenen Satz separat zu wiederholen. Dabei fehlt der Kontext.

Die neue Methode ist wie das Einstellen eines hochintelligenten Übersetzers, der das gesamte Gespräch auf einmal versteht.

Das Rauschen lernen: Zuerst „trainiert“ das Team diesen Übersetzer. Sie speisen ihm eine Menge bekannter Testdaten (Kalibrierungsdaten) ein und lassen ihn die spezifischen Muster des Rauschens erlernen. Anstatt Fehler einzeln zu betrachten, betrachtet der MPO die „Nachbarschaft“ der Qubits und versteht: Wenn eines falsch ist, ist die Wahrscheinlichkeit hoch, dass auch seine Nachbarn falsch sind.
Effizienz: Das Schöne an diesem Übersetzer ist, dass er unglaublich effizient ist. Selbst wenn der Quantencomputer von 10 Qubits auf 20 oder mehr wächst, nimmt die Arbeitslast des Übersetzers nur langsam zu (fast linear), anstatt exponentiell zu explodieren.

Womit sie es getestet haben
Das Team hat dies nicht nur theoretisch entworfen, sondern auch auf einem echten supraleitenden Quantenchip (dem „Baihua“-Chip) und in massiven Computersimulationen getestet. Hier ist, was sie herausgefunden haben:

Reale Hardware: Auf dem echten Chip beschrieb das neue MPO-Modell das tatsächliche Rauschen viel besser als die alten Modelle. Es erfasste die „niestenden Nachbarn“, die die alten Modelle ignorierten.
Messung komplexer Dinge: Beim Versuch, „nicht-lokale“ Dinge zu messen (Eigenschaften, die von der Beziehung zwischen entfernten Qubits abhängen), lieferte die neue Methode wesentlich genauere Antworten.
Zufällige Schaltkreise: Für Aufgaben, die das Erzeugen zufälliger Muster beinhalten (wie etwa den Test, ob ein Quantencomputer wirklich leistungsfähig ist), konnte die neue Methode die Daten bereinigen, um das wahre Muster unter dem Rauschen offenzulegen.
Fehlerkorrektur: Sie zeigten sogar, wie dieser Übersetzer direkt in den „Decoder“ für die Quantenfehlerkorrektur eingebaut werden kann. Anstatt nur das Endergebnis zu korrigieren, hilft er dem Computer, den wahrscheinlichsten korrekten Pfad zu entscheiden, während er die Nachricht dekodiert, was zu weniger Fehlern im endgültigen logischen Ergebnis führt.

Das Fazit
Diese Arbeit führt einen einheitlichen, skalierbaren Weg ein, um das „Rauschen“ in Quantencomputern zu bereinigen. Durch den Einsatz eines intelligenten, netzwerkbasierten Übersetzers, der versteht, wie sich Fehler zwischen Nachbarn ausbreiten, können weitaus zuverlässigere Informationen aus den heutigen verrauschten Maschinen extrahiert werden. Dies macht die Daten heutiger Quantencomputer vertrauenswürdiger und ebnet den Weg für größere, komplexere Experimente in der Zukunft.

Technisches Resümee: Charakterisierung von Tensornetzwerken und Milderung von Auslesefehlern

Problemstellung

Auslesefehler (Readout-Fehler) stellen eine dominante Rauschquelle in NISQ-Geräten (Near-term Intermediate-Scale Quantum) dar, die klassische Messergebnisse direkt verzerrt und Aufgaben wie die Schätzung von Erwartungswerten, Tomographie und Sampling-Benchmarks beeinflusst. Standardansätze zur Milderung von Auslesefehlern (Readout Error Mitigation, REM) charakterisieren typischerweise eine klassische Übergangsmatrix $\Lambda$ , die ideale Verteilungen auf verrauschte abbildet. Die vollständige Charakterisierung von $\Lambda$ skaliert jedoch exponentiell mit der Systemgröße ( $2^N \times 2^N$ ). Um dies zu umgehen, nutzen bestehende Methoden oft unabhängige Einzelqubit-Ausleseprozesse (unkorrelierte Modelle) an. Diese faktorisierten Modelle vernachlässigen räumliche Korrelationen, die durch Crosstalk, gemeinsam genutzte Steuerleitungen und hardware-spezifische Mechanismen induziert werden. Solche Korrelationen sind in realen Geräten oft nicht vernachlässigbar, insbesondere für nichtlokale Observablen und großskalige Sampling-Aufgaben, was die Leistungsfähigkeit unkorrelierter Milderungsstrategien einschränkt.

Methodik

Die Autoren schlagen ein vereinheitlichtes Tensor-Netzwerk-Framework vor, das die Auslesefehler-Matrix $\Lambda$ als Matrix Product Operator (MPO) modelliert. Diese Repräsentation erfasst lokale und kurzreichweitige Korrelationen auf natürliche Weise mit polynomieller Komplexität.

1. Charakterisierung mittels MPO-Lernen

Repräsentation: Die Auslesefehler-Matrix $\Lambda_{x,y}$ (Wahrscheinlichkeit des Ergebnisses $x$ gegeben den wahren Zustand $y$ ) wird als $|\text{Tr}(M^{[1]}_{x_1,y_1} \cdots M^{[N]}_{x_N,y_N})|^2$ dargestellt, wobei $M^{[k]}$ lokale Tensoren mit einer endlichen Bindungsdimension $\chi$ sind. Dies stellt die Positivität der Matrizenelemente sicher.
Normalisierung: Im Gegensatz zu Matrix Product Unitaries (MPUs erfordert das MPO-Modell lediglich, dass die Zeilensummen eins ergeben ( $\sum_x \Lambda_{x,y} = 1$ ), eine schwächere Bedingung, die für klassische stochastische Prozesse geeignet ist.
Training: Die MPO-Parameter werden direkt aus Kalibrierungsdaten (Vorbereitung und Messung von Produkten Zuständen) mittels einer Likelihood-basierten Optimierung gelernt. Die Verlustfunktion minimiert die negative Log-Likelihood der beobachteten Ergebnisse, ergänzt durch einen Strafterm zur Durchsetzung der Normalisierungsvorgabe. Gradienten werden effizient über Tensor-Netzwerk-Kontraktion berechnet.

2. Strategien zur Milderung (Mitigation)

Das Framework integriert das gelernte MPO-Modell in verschiedene REM-Aufgaben:

Nichtlokale Observablen: Der ideale Erwartungswert $\langle O \rangle_{ideal}$ wird geschätzt, indem die Observable (dargestellt als MPS) mit der Inversen der Auslesefehler-Matrix ( $\Lambda^{-1}$ ) kontrahiert wird. Die Inverse wird variationell unter Verwendung eines Single-Layer-MPO approximiert, um $\|\Lambda \Omega - I\|_F^2$ zu minimieren.
Globales Sampling: Um Proben aus der idealen Verteilung $P_{ideal}$ gegeben verrauschte Proben zu gewinnen, lernt die Methode ein MPS-Modell für $P_{ideal}$ , indem sie die Likelihood der verrauschten Daten unter der Transformation $P_{noisy} = \Lambda P_{ideal}$ maximiert.
Zufällige Messungen: Für Aufgaben wie Classical Shadows und lernbasierte Tomographie (z. B. unter Verwendung von Locally Purified Density Operators, LPDO) wird das Auslesefehler-Modell direkt in die Optimierungszielgröße integriert. Anstatt die Proben nachzubearbeiten, wird die Likelihood-Funktion modifiziert, um über die wahren Zustände zu summieren, gewichtet durch die Auslesefehler-Matrix $\Lambda$ .
Quantenfehlerkorrektur (QEC) Dekodierung: Für 2D-Surface-Codes wird das MPO-Modell zu einem Projected Entangled-Pair Operator (PEPO) generalisiert. Das Auslesefehler-Modell wird lokal mit dem Tensor-Netzwerk des Decoders (PEPS) fusioniert, um eine gemeinsame Inferenz über Datenfehler und Auslesefehler durchzuführen, wobei das Syndrom-Auslesen effektiv als Soft-Information statt als Hard-Voted-Bits behandelt wird.

Zentrale Ergebnisse

Experimentelle Validierung (Supraleitender Prozessor)

Die Experimente wurden auf dem Baihua supraleitenden Quantenchip (Quafu-Plattform) unter Verwendung von 6-Qubit-Ketten durchgeführt.

Erfassung von Korrelationen: Das MPO-Modell ( $\chi=4$ ) übertraf das unkorrelierte Produktmodell konsistent bei der Charakterisierung der vollständigen Fehler-Matrix $\Lambda_{Full}$ . Das MPO-Modell erreichte eine relative Distanz von $\approx 0,043$ zur vollständigen Charakterisierung, verglichen mit $\approx 0,074$ für das unkorrelierte Modell, was seine Fähigkeit demonstriert, korreliertes Rauschen zu erfassen, das von Standardmodellen übersehen wird.
Nichtlokale Observablen: In Experimenten an 7-Qubit-Clusterzuständen verbesserte das MPO-basierte REM die Schätzung nichtlokaler String-Ordnungsparameter signifikant, insbesondere für längere Strings, bei denen Fehler stärker ausgepräkt sind.

Numerische Simulationen

Skalierbarkeit: Simulationen bis zu $N=20$ Qubits zeigten, dass die Stichprobenkosten zur Erlernung des MPO-Modells nahezu linear mit der Systemgröße skalieren, ein starker Kontrast zu den exponentiellen Kosten einer vollständigen Charakterisierung.
Globales Sampling: Für das Random Circuit Sampling verbesserte die Methode die Cross-Entropy Benchmarking (XEB) Fidelity. Während die Generierung neuer idealer Proben ein MPS mit exponentiell wachsender Bindungsdimension erforderte, konnte die Methode die XEB-Fidelity direkt aus verrauschten Proben mittels Tensor-Kontraktion ableiten, wodurch der Auslese-Bias ohne explizites Sampling eliminiert wurde.
Zufällige Messungen: Bei der Classical-Shadow-Schätzung und der LPDO-basierten Tomographie eines 1D-XY-Modell-Gibbs-Zustands reduzierte die REM-Methode den Bias in Magnetisierungs-Schätzungen signifikant und verbesserte die Dichtematrix-Rekonstruktion im Vergleich zu ungemilderten Methoden.
QEC-Dekodierung: Simulationen an einem rotierten Surface-Code der Distanz $d=7$ zeigten, dass der PEPO-fusionierte Decoder die logische Fehlerrate im Vergleich zu Standard-Decodern signifikant reduzierte, insbesondere in Regimen mit hohen Auslese-Flip-Raten. Die Methode nutzte die Soft-Informationen aus wiederholten Messungen effektiv aus und übertraf Majority-Vote-Ansätze.

Bedeutung und Ansprüche

Die Arbeit etabliert die Tensor-Netzwerk-Auslesefehler-Milderung als einen skalierbaren und vielseitigen Ansatz für die rauschbewusste Verarbeitung von Quantendaten. Ihre primären Beiträge sind:

Einheitliches Framework: Sie bietet ein einziges MPO/PEPO-Formalismus, das korrelierte Auslesefehler über verschiedene Anwendungen hinweg handhabt, von lokalen Observablen bis hin zu globalem Sampling und QEC-Dekodierung.
Effizienz: Der Ansatz vermeidet den exponentiellen Overhead einer vollständigen Fehlercharakterisierung, während er gleichzeitig Korrelationen erfasst, die unkorrelierte Modelle übersehen. Die Stichprobenkomplexität wächst nahezu linear mit der Systemgröße.
Praktikabilität: Experimentelle Ergebnisse auf echter Hardware bestätigen, dass korrelierte Auslesefehler signifikant sind und das MPO-Modell diese effektiv mildern kann.
Integration: Das Framework ist als Baustein konzipiert, der in bestehende Algorithmen (wie Classical Shadows und QEC-Decoder) integriert werden kann, anstatt lediglich als Post-Processing-Schritt zu fungieren.

Die Autoren kommen zu dem Schluss, dass diese Methode einen vielversprechenden Weg zur zuverlässigen Extraktion physikalischer Informationen aus sowohl Near-Term- als auch zukünftigen fehlertoleranten Quantengeräten bietet, insbesondere indem sie die Behandlung von Mess-Crosstalk innerhalb eines vereinheitlichten Tensor-Netzwerk-Inferenzproblems ermöglicht.