Hardware-Efficient Error Mitigation and Shot-Efficient Sampling on IBM Quantum Hardware
Diese Arbeit evaluiert experimentell die Abwägung zwischen Techniken zur Fehlerminderung und der Finite-Shot-Stichprobenentnahme auf IBM-Quantum-Hardware unter einem beschränkten Ausführungsbudget und liefert eine hardwarebewusste Charakterisierung darüber, wann Minderungsstrategien die Schätzgenauigkeit verbessern versus wann Stichprobenfluktuationen deren Vorteile zunichtemachen.
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
Im leisen Summen eines Serverraums lernt eine neue Art von Computer zu denken. Diese Maschinen, die aus supraleitenden Schaltkreisen bestehen, die auf Temperaturen gekühlt wurden, die kälter sind als der tiefe Weltraum, versprechen Probleme zu lösen, für deren Bewältigung heutige Supercomputer Jahrtausende benötigen würden. Aber es gibt einen Haken: Diese Quantencomputer sind unglaublich fragil. Die kleinste Vibration oder Wärme kann dazu führen, dass ihre Berechnungen fehlerhaft werden. Da wir noch nicht in der Lage sind, Maschinen zu bauen, die völlig immun gegen diese Fehler sind, haben Wissenschaftler eine Reihe von Tricks namens Fehlerminimierung (Error Mitigation) entwickelt. Diese Tricks reparieren nicht die defekten Teile der Maschine; stattdessen versuchen sie zu erraten, was das korrekte Ergebnis hätte sein sollen, indem sie dieselbe Berechnung viele Male durchführen und nach Mustern in den Fehlern suchen. Die Hoffnung ist, dass wir durch die Kombination dieser verrauschten Ergebnisse ein klares Signal aus dem Rauschen extrahieren können.
Es gibt jedoch einen versteckten Preis für diese Tricks. Um eine bessere Schätzung zu erhalten, muss der Computer die Berechnung öfter durchführen, was eine begrenzte Ressource verbraucht, die als „Shots“ bezeichnet wird – dies ist schlicht die Anzahl der Male, in denen die Maschine aufgefordert wird, ihr Ergebnis zu messen. Wenn man zu viele Shots aufwendet, um die Fehler zu korrigieren, könnte man am Ende mit einem Ergebnis dastehen, das weniger genau ist, als wenn man die Berechnung nur ein paar Mal durchgeführt und das Rauschen akzeptiert hätte. Dieses Spannungsfeld zwischen dem Beheben von Fehlern und dem Aufbrauchen von Versuchen ist das zentrale Rätsel, das Forscher zu lösen versuchen. Sie müssen genau wissen, wann diese Korrekturmethoden helfen und wann sie die Dinge tatsächlich verschlimmern, insbesondere auf den heute verfügbaren realen Maschinen.
Ein Forscher am Indian Institute of Technology Jodhpur beschloss, dieses Gleichgewicht an einem echten, funktionierenden Quantencomputer zu testen. Er verwendete einen leistungsstarken 156-Qubit-Prozessor von IBM, eine Maschine, die die Spitze der heutigen Technologie darstellt. Sein Ziel war es nicht nur zu sehen, ob die Fehlerkorrektur funktionierte, sondern sie fair zu messen, indem er die Gesamtzahl der Versuche fest vorgab. Stellen Sie sich vor, Sie haben eine feste Zeit, um ein Foto von einem beweglichen Objekt zu machen. Sie können entweder eine lange Belichtungszeit wählen, die vielleicht unscharf wird, oder viele schnelle Schnappschüsse machen und diese kombinieren. Der Forscher wollte wissen, ob das Machen vieler Schnappschüsse und deren Kombination mit einem spezifischen mathematischen Rezept tatsächlich ein klareres Bild liefern würde als nur eine einzige lange Aufnahme, vorausgesetzt, die zur Verfügung stehende Gesamtzeit war für beide Methoden gleich.
Der Forscher richtete eine Reihe von Experimenten mit verschiedenen Arten von Schaltkreisen ein, bei denen es sich um die Anweisungen handelt, die dem Computer gegeben werden. Er testete einfache Ketten von Qubits, sich wiederholende Muster von Operationen und eine spezifische Art von Berechnung für Optimierungsprobleme. Er verglich die rohen, unkorrigierten Ergebnisse mit mehreren Korrekturstrategien. Eine Strategie beinhaltete die Korrektur von Fehlern, die auftreten, wenn die Maschine das Endergebnis ausliest. Eine andere bestand darin, die Berechnung bei verschiedenen Ebenen von künstlichem Rauschen durchzuführen und dann mathematisch zu erraten, wie das Ergebnis ohne jegliches Rauschen ausgesehen hätte. Er testete auch eine intelligente, adaptive Methode, die versuchte zu entscheiden, wie oft jeder Teil der Berechnung ausgeführt werden sollte, basierend darauf, wie verrauscht dieser spezifische Teil zu sein schien.
Die Ergebnisse waren überraschend und nuanciert. Der Forscher stellte fest, dass die intelligente, adaptive Methode nicht automatisch gewann. Tatsächlich stellte er fest, dass die intelligente Methode im Vergleich zu einer einfachen, einheitlichen Methode, bei der jeder Teil der Berechnung die gleiche Anzahl an Durchläufen erhielt, nur in zwei von sechs verschiedenen Szenarien besser abschnitt. In den anderen vier Szenarien war der einfache, einheitliche Ansatz tatsächlich genauer. Dies deutet darauf hin, dass die komplexe Strategie, die Anzahl der Versuche ständig basierend auf vorläufigen Rauschprüfungen anzupassen, keine garantierte Verbesserung ist. Manchmal führte die zusätzliche Anstrengung, „klug“ mit der Zuweisung der Shots umzugehen, tatsächlich zu einem schlechteren Endergebnis.
Eine weitere wichtige Erkenntnis war, dass die Korrekturmethoden den Bias, also den systematischen Fehler, nicht immer so behoben, wie Wissenschaftler es hofften. Für eine spezifische Art von Berechnung, die ein Muster aus Auf- und Ab-Zuständen beinhaltete, machte die Methode, die darauf ausgelegt war, das Rauschen zu entfernen, den Fehler sogar größer als zuvor. Der Forscher beobachtete, dass, wenn der Computer gebeten wurde, einen Wert zu messen, der sehr nah an der Grenze des Möglichen lag, der mathematische Trick zur Rauschentfernung manchmal über das Ziel hinausschoss und das Ergebnis weiter von der Wahrheit wegdrängte. Dies geschah, obwohl die Methode weit verbreitet und vertrauenswürdig ist. Es zeigte, dass diese Werkzeuge keine Zauberstäbe sind, die in jeder Situation funktionieren; sie können manchmal neue Probleme verursachen, während sie versuchen, alte zu lösen.
Die Studie hob auch die Bedeutung des physischen Layouts des Computers hervor. Der Forscher entdeckte, dass allein die Wahl der Drähte auf dem Chip, die für ihre Berechnung verwendet wurden, einen riesigen Unterschied machte. Wenn er ein Paar Drähte verwendete, von denen bekannt war, dass sie einen geringen Fehler aufweisen, waren seine Ergebnisse signifikant besser als wenn er ein Paar Drähte desselben Chips verwendete, die als fehleranfällig galten. Der Qualitätsunterschied zwischen diesen beiden Drahtpaaren war so groß, dass er mit dem Unterschied vergleichbar war, der durch das Hinzufügen mehrerer zusätzlicher Ebenen der Komplexität zur Berechnung entstanden wäre. Dies bedeutet, dass es, bevor man versucht, Fehler mit Software zu beheben, genauso wichtig sein kann, sorgfältig die besten physischen Teile der Maschine für die Ausführung des Codes auszuwählen.
Letztendlich kam der Forscher zu dem Schluss, dass es keine einzelne, universelle Regel dafür gibt, wann man die Fehlerminimierung anwenden sollte. Die Entscheidung hängt vollständig von der spezifischen Maschine, der spezifischen Berechnung und der Anzahl der verfügbaren Versuche ab. Auf dem von ihm getesteten IBM-Prozessor war die von ihm getestete adaptive Shot-Allocation-Strategie der einfachen, einheitlichen Methode nicht überlegen. In vielen Fällen erhöhten die Standard-Fehlerkorrekturmethoden die Unsicherheit des Ergebnisses, anstatt sie zu reduzieren. Der Forscher veröffentlichte alle seine Daten, Codes und die exakten Anweisungen, die er verwendet hat, damit andere die Experimente wiederholen können. Seine Arbeit dient als Erinnerung daran, dass in der verrauschten Welt des heutigen Quantencomputings die ausgeklüftetste Lösung nicht immer die beste ist und dass eine sorgfältige, ehrliche Prüfung erforderlich ist, bevor man entscheidet, diese mächtigen, aber kostspieligen Korrekturen anzuwenden.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.