Multi-Layer Cycle Benchmarking for high-accuracy error characterization

Planteamiento del Problema
La caracterización precisa del ruido es un requisito previo para la computación cuántica fiable y el despliegue efectivo de técnicas de mitigación de errores conscientes del ruido. Si bien los modelos de ruido de Pauli efectivos ofrecen una forma escalable de describir procesos de error con un número manejable de parámetros, sufren una limitación fundamental: la "aprendibilidad" de los autovalores de Pauli. Como demostraron trabajos previos (p. ej., Ref. [22]), la libertad de calibre (gauge freedom) introduce ambigüedades que impiden la determinación independiente de ciertos parámetros de los canales de Pauli a partir de los errores de Preparación de Estado y Medición (SPAM). Específicamente, para un conjunto de puertas Clifford, el número de grados de libertad (DOF) de ruido no aprendibles escala exponencialmente con el número de cúbits. Los protocolos estándar de Cycle Benchmarking (CB) pueden determinar todos los DOF aprendibles con alta precisión y robustez ante SPAM, pero dejan una fracción significativa de parámetros para ser estimados mediante métodos de "baja precisión" (p. ej., suposiciones de simetría o circuitos de profundidad unitaria). Estas cantidades no aprendibles, particularmente en modelos escalables como el modelo de Sparse Pauli-Lindblad (SPL), pueden constituir una fracción no despreciable del total de los parámetros (acercándose al ~4.8% en sistemas grandes de topología cuadrada), degradando así la precisión de la caracterización del ruido y la eficacia de las estrategias de mitigación de errores como la Cancelación de Error Probabilística (PEC).

Metodología: Multi-Layer Cycle Benchmarking (MLCB)
Los autores introducen el Multi-Layer Cycle Benchmarking (MLCB), un protocolo de caracterización mejorado diseñado para aumentar el número de DOF aprendibles mediante el análisis conjunto de múltiples capas de puertas Clifford. A diferencia del CB estándar, que caracteriza cada capa de forma aislada, el MLCB construye circuitos donde el "bloque de construcción" repetido $d$ veces consiste en una combinación de capas distintas (por ejemplo, alternando capas Azules y Verdes) en lugar de una sola capa.

El protocolo opera de la siguiente manera:

1. Órbitas de Multi-capa: El MLCB define una "órbita de multi-capa" para un par de capas $L_1, L_2$. Al aplicar la secuencia de capas y medir el valor de la esperanza de un operador de Pauli, el protocolo mide productos de autovalores de Pauli de diferentes capas (p. ej., $f^{L_1}_{\alpha} f^{L_2}_{\beta}$) con alta precisión y robustez ante SPAM.
2. Desbloqueo de DOF No Aprendibles: En el contexto del modelo SPL, que asume que el ruido es generado por Lindbladianos locales, los autores demuestran que estos productos entre capas proporcionan restricciones sobre las razones de los autovalores de peso uno no aprendibles. Por ejemplo, en un sistema de puertas CZ en paralelo, el MLCB puede determinar la razón de los autovalores no aprendibles asociados a cúbits adyacentes en diferentes capas.
3. Escalabilidad: El método se aplica a una QPU de topología cuadrada con cuatro capas densas de puertas CZ en paralelo. Al analizar pares de capas (Azul-Verde, Verde-Roja, etc.), el MLCB impone restricciones de alta precisión que reducen el número de DOF no aprendibles de $\sim 4n$ a $\sim n$ en sistemas grandes, reduciendo efectivamente la fracción no aprendible en un 75%.

Contribuciones Clave

• Desarrollo del Protocolo: La formulación del MLCB, que aprovecha las restricciones inherentes a los modelos de ruido efectivos para extraer información de circuitos de multi-capa que es inaccesible para el CB de capa única.
• Análisis Teórico: Una derivación sistemática que muestra cómo el MLCB desbloquea DOF específicos tanto en cadenas abiertas como cerradas de cúbits, demostrando que puede determinar razones de autovalores no aprendibles para combinaciones arbitrarias de capas Clifford.
• Validación Experimental: Implementación del MLCB en el procesador superconductor de 20 cúbits IQM Garnet™. El experimento midió con éxito diferencias entre productos de autovalores de Pauli que eran estadísticamente incompatibles con cero, refutando así experimentalmente la suposición común de que los autovalores no aprendibles son simétricos o iguales a sus conjugados.
• Simulación Numérica: Demostración de que la incorporación de datos de MLCB en el ajuste de modelos de ruido SPL reduce significativamente el error de reconstrucción (medido por la distancia $L_1$) en comparación con el uso exclusivo de CB estándar y métodos de estimación de baja precisión.

Resultados

• Reducción de los DOF No Aprendibles: En escenarios realistas que involucran capas CZ densas en una topología cuadrada, el MLCB reduce el número de grados de libertad de ruido no aprendibles hasta en un 75%.
• Evidencia Experimental: En el procesador IQM Garnet™, las diferencias medidas entre los productos de autovalores entre capas fueron consistentemente distintas de cero (con una significancia estadística de hasta ~99.5%), confirmando que las suposiciones de simetría utilizadas a menudo para estimar parámetros no aprendibles son violadas en el hardware real.
• Mejora en la Precisión de Caracterización: Las simulaciones numéricas en sistemas de 20 cúbits muestran que el uso de datos de MLCB conduce a una reconstrucción más precisa del modelo de ruido subyacente. La razón de los errores de reconstrucción ($r = \Delta_{MLCB} / \Delta_{CB}$) fue consistentemente inferior a 1, situándose a menudo en el rango de 0.5 a 0.8, lo que indica una mejora sustancial en la fidelidad del modelo.
• Mitigación de Errores Mejorada: La mejora en la caracterización del ruido se traduce directamente en un mejor rendimiento de la Cancelación de Error Probabilística (PEC). Las simulaciones mostraron que el uso de modelos caracterizados mediante MLCB redujo la desviación estándar del sesgo de PEC en casi tres veces en comparación con los métodos de caracterización convencionales.

Significancia
El artículo posiciona al MLCB como una herramienta escalable, práctica y eficiente en recursos para la caracterización precisa del ruido. Al reducir significativamente la dependencia de los métodos de estimación de baja precisión para los parámetros no aprendibles, el MLCB permite modelos de ruido efectivos más precisos. Esto, a su vez, potencia el rendimiento de las técnicas de mitigación de errores conscientes del ruido, las cuales son críticas para lograr una computación cuántica fiable en dispositivos de la era NISQ. Los autores enfatizan que, si bien el MLCB aborda el cuello de botella específico de la limitación de aprendibilidad, opera dentro del contexto más amplio de las imperfecciones experimentales (como la deriva temporal), y su implementación requiere una sobrecarga mínima (aproximadamente un 7% de ejecuciones de circuitos adicionales) para lograr una reducción del 75% en los DOF no aprendibles. El trabajo complementa los marcos teóricos de la aprendibilidad del ruido de Pauli al proporcionar un método operativo concreto para QPUs 2D con topologías cuadradas.