Analysis of asymmetric errors in NISQ experiments
Diese Arbeit erweitert vorangegangene statistische Analysen von NISQ-Experimenten, indem sie zeigt, dass die Google 2019 „Quantum Supremacy“-Daten entgegen theoretischer Vorhersagen bezüglich der Amplitudendämpfung Null-Eins-Fraktionen aufweisen, die ausschließlich durch die Asymmetrie des Auslesefehlers und nicht durch Gate-Fehler bestimmt werden, ein Befund, der durch Simulationen auf IBM- und Google-Plattformen gestützt wird.
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 Wettlauf um den Bau von Maschinen, die Probleme lösen können, die jenseits der Reichweite heutiger Computer liegen, arbeiten Wissenschaftler mit einer fragilen neuen Technologie namens Quantencomputing. Diese Maschinen nutzen winzige Materieteilchen, sogenannte Qubits, die gleichzeitig in einem Zustand von Null und Eins existieren können, was es ihnen ermöglicht, Informationen auf eine Weise zu verarbeiten, wie es klassische Computer nicht können. Diese Qubits sind jedoch extrem empfindlich gegenüber ihrer Umgebung. Selbst die kleinste Störung kann dazu führen, dass sie Fehler machen, ein Phänomen, das als Rauschen bekannt ist. Um zu verstehen, ob ein Quantencomputer wirklich wie beabsichtigt arbeitet, müssen Forscher das Signal der Berechnung sorgfältig vom statischen Rauschen dieser Fehler trennen. Ein Schwerpunkt jüngster Studien lag auf „Auslesefehlern“ (Readout Errors), die auftreten, wenn die Maschine den Endzustand eines Qubits falsch liest, indem sie eine Null für eine Eins oder umgekehrt verwechselt. Das Verständnis der präzisen Natur dieser Fehler ist entscheidend, da es den Wissenschaftlern sagt, ob die Maschine eine echte Quantenberechnung durchführt oder lediglich zufälliges Rauschen erzeugt.
Ein Forschungsteam wandte seine Aufmerksamkeit kürzlich einer spezifischen Frage zu, wie sich diese Fehler verhalten. Sie wollten wissen, ob die Fehler rein zufällig waren oder ob sie eine verborgene Voreingenommenheit (Bias) aufwiesen. In einer perfekt ausbalancierten Maschine würde ein Qubit, das Null sein sollte, genauso oft als Eins gelesen werden wie ein Qubit, das Eins sein sollte, als Null gelesen wird. Einige theoretische Arbeiten deuteten jedoch darauf an, dass die internen Operationen des Computers, insbesondere die Gates, welche die Qubits manipulieren, eine einseitige Voreingenommenheit einführen könnten. Diese Theorie schlug vor, dass die Maschine im Betrieb von Natur aus die Ergebnisse in Richtung einer höheren Anzahl von Nullen drängen würde, was ein Ungleichgewicht erzeugte, das nicht nur ein einfacher Messfehler war, sondern ein grundlegender Drift in den Daten.
Um diese Idee zu testen, untersuchten die Forscher Daten aus dem berühmten Google-Experiment zur Quantenüberlegenheit (Quantum Supremacy) aus dem Jahr 2019, das einen Prozessor mit 53 Qubits verwendete. Sie betrachteten auch Daten von anderen Quantencomputern sowie von Computersimulationen, die diese Maschinen nachahmen sollten. Ihr Ziel war es zu sehen, ob der Anteil der Nullen in den Endergebnissen höher war, als durch die bekannten Messfehler allein erklärt werden konnte. Wenn die Theorie korrekt wäre, hätten sie erwartet, in den experimentellen Daten einen signifikanten Überschuss an Nullen zu finden, der mit zunehmender Anzahl der Qubits wuchs.
Die Analyse lieferte ein klares Bild, das der theoretischen Vorhersage widersprach. Als die Forscher die tatsächlichen Daten aus Googles Experiment von 2019 untersuchten, das eine Bandbreite von Schaltkreisen mit 12 bis 53 Qubits abdeckte, fanden sie keinen Hinweis auf diese zusätzliche Voreingenommenheit zugunsten von Nullen, die durch interne Gate-Operationen verursacht wurde. Das leichte Ungleichgewicht, das sie zwischen Nullen und Eins beobachteten, spiegelte die Asymmetrie der gemeldeten Auslesefehler wider, wobei der empirische Unterschied zwischen Nullen und Einsen etwa 10 % bis 20 % niedriger war als der Unterschied, der allein durch die gemeldeten Fehlerraten erwartet wurde. Mit anderen Worten: Die Maschine drängte die Ergebnisse nicht heimlich aufgrund ihrer internen Operationen in Richtung Null; das beobachtete Rauschen war konsistent mit den bekannten, physikalischen Messfehlern, ohne den zusätzlichen durch die Theorie vorhergesagten Schiefstand. Dieser Befund blieb über den gesamten Bereich der in dem realen Experiment getesteten Qubit-Anzahlen hinweg bestehen.
Die Geschichte war anders, als das Team Computersimulationen betrachtete. Als sie ähnliche Tests an einer simulierten Version eines IBM-Quantencomputers durchführten, zeigten die Ergebnisse eine viel größere Lücke zwischen Nullen und Einsen, als die physikalischen Fehlerraten erklären konnten. Dies deutete darauf hin, dass die Simulationsmodelle Effekte enthielten, die in der echten Google-Hardware nicht vorhanden waren, oder dass die Simulationen eine Art von Fehler erfassten, den die reale Maschine vermieden hatte. Die Forscher stellten auch fest, dass während die realen Google-Daten ein stabiles Gleichgewicht zeigten, der Anteil der Einsen in den Messungen über die Zeit auf eine Weise fluktuierte, die darauf hindeutete, dass die Gates selbst während des Experiments instabil waren, anstatt dass die Messwerkzeuge die Quelle des Drifts waren.
Letztendlich liefert die Studie eine beruhigende Überprüfung des Verhaltens aktueller Quantenhardware. Sie bestätigt, dass für das Google-Experiment von 2019 die komplexen internen Operationen des Computers nicht die Art von einseitigem Fehler einführten, den einige Theorien vorhergesagt hatten. Der Output der Maschine wurde nicht durch eine verborgene Kraft, die sie in Richtung Nullen drängte, verzerrt; das Rauschen spiegelte die bekannten asymmetrischen Auslesefehler ohne zusätzlichen Gate-induzierten Bias wider. Während Simulationen Anzeichen dieses Bias zeigten, taten dies die realen Daten nicht, was darauf hindeutet, dass die physischen Geräte berechenbarer agieren, als es einige theoretische Modelle erwartet hatten. Diese Klarheit hilft Wissenschaftlern, ihr Verständnis darüber, wie diese Maschinen funktionieren, zu verfeinern, und stellt sicher, dass zukünftige Behauptungen über deren Leistungsfähigkeit auf einem soliden, genauen Fundament darüber basieren, wie Fehler tatsächlich auftreten.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.