Noise-Robust Estimation of Quantum Observables in Noisy Hardware

Resumen Técnico: Estimación Robusta al Ruido (NRE)

1. El Problema

La utilidad práctica de la computación cuántica en la era de los dispositivos cuánticos ruidosos de escala intermedia (NISQ) depende críticamente de la capacidad para mitigar el ruido que distorsiona los resultados de los cálculos.

• Limitaciones de los métodos existentes:
  • Enfoques conscientes del ruido (ej. Cancelación Probabilística de Errores - PEC): Requieren modelos de ruido precisos. Son propensos a sesgos residuales debido a la dificultad de aprender el ruido de Pauli, la deriva de parámetros y las inexactitudes del modelo.
  • Enfoques agnósticos al ruido (ej. Extrapolación a Ruido Cero - ZNE): No requieren modelos de ruido, pero enfrentan dos desafíos principales:
    1. Desajuste de modelos: En circuitos no Clifford, los valores de expectación a menudo siguen decaimientos multiexponenciales, lo que hace que los modelos de extrapolación comunes (polinomiales o exponenciales simples) introduzcan sesgos.
    2. Amplificación imperfecta: Las técnicas de amplificación de ruido (como el estiramiento de pulsos o el plegado unitario) a menudo no escalan el ruido de manera uniforme, ya que los canales de ruido experimentales no conmutan con las unitarias del circuito.
• Costo de muestreo: Muchas técnicas de mitigación de errores sufren de sobrecostos de muestreo que crecen exponencialmente con el tamaño del circuito y las tasas de error.

2. Metodología: Noise-Robust Estimation (NRE)

El artículo introduce NRE, un marco agnóstico al ruido que combina la amplificación de ruido con una estrategia de post-procesamiento estructurada en dos etapas. La idea central es construir un estimador auxiliar cuya variación a través de realizaciones de ruido amplificado sirva como diagnóstico directo de la magnitud del sesgo residual.

Componentes Clave:

1. Circuito Objetivo y Circuito de Cancelación de Ruido (ncc):
   • Se ejecuta el circuito objetivo ($t$) y un circuito "compañero" estructuralmente similar pero con puertas no-Clifford reemplazadas por puertas Clifford (ncc).
   • El valor de expectación sin ruido del circuito ncc es conocido y calculable clásicamente.
2. Amplificación de Ruido: Se aplican factores de escala de ruido ($\lambda_i$) a ambos circuitos (usando plegado unitario global).
3. Construcción del Estimador Auxiliar ($A$):
   • Se define una cantidad auxiliar $A(\lambda_i)$ que combina los datos del circuito objetivo y el ncc.
   • $A(\lambda_i) = P_1(\lambda_i) + n \cdot P_2(\lambda_i)$, donde $n$ es un parámetro de control.
   • $P_1$ compensa parcialmente los efectos de ruido compartidos, y $P_2$ (en forma logarítmica) captura desviaciones multiplicativas, permitiendo que $A$ varíe más lentamente con el ruido que el valor de expectación directo.

Las Dos Etapas de Post-Procesamiento:

• Paso 1: Estimación de Línea Base (Baseline Estimation)

  • Se determina un parámetro de control óptimo ($n_{op}$) tal que el valor de $A$ en el nivel de ruido más bajo ($\lambda_1$) sirva como un estimador inicial para el valor ideal.
  • Esto produce un estimador de línea base ($\langle O \rangle_{b-NRE}$) que reduce la sensibilidad al ruido, pero aún contiene un sesgo residual ($B_{b-NRE}$) debido a errores de truncamiento, discretización y amplificación imperfecta.

• Paso 2: Correlación Sesgo-Dispersión y Extrapolación

  • Diagnóstico: Se introduce una métrica medible llamada Dispersión Normalizada ($D$), definida como la desviación media absoluta (MAD) de los valores del estimador auxiliar $A$ a través de los factores de escala de ruido, normalizada por la dispersión del observable original.
  • Principio Teórico: Existe una correlación analítica: cuando la variación de $A$ es pequeña (baja dispersión $D$), las derivadas de orden superior que gobiernan el sesgo residual también son pequeñas. Por lo tanto, $D \to 0$ implica sesgo $\to 0$.
  • Ejecución: Se utiliza bootstrapping (remuestreo) para generar un conjunto de estimadores de línea base con diferentes valores de dispersión $D_s$.
  • Extrapolación Final: Se realiza una regresión ponderada sobre el conjunto de estimadores y se extrapola al límite de dispersión cero ($D \to 0$) para obtener el estimador final $\langle O \rangle_{NRE}$.

3. Contribuciones Clave

• Marco Agnóstico al Ruido con Diagnóstico Interno: A diferencia de ZNE, que asume un modelo de decaimiento, NRE utiliza la dispersión del estimador auxiliar como un indicador interno de la calidad de la estimación, sin necesidad de modelar el ruido microscópicamente.
• Reducción de Sesgo Robusta: La metodología mitiga el sesgo causado por la amplificación de ruido imperfecta y el desajuste de modelos, algo que ZNE y CDR (Regresión de Datos Clifford) luchan por manejar en circuitos profundos.
• Validación Experimental a Escala: Se validó en un procesador cuántico superconductor de 20 qubits (IQM Garnet), utilizando circuitos con hasta 480 puertas entrelazadoras (CZ), demostrando escalabilidad.
• Análisis de Sobrecosto de Muestreo: Se demuestra que, aunque NRE tiene un sobrecosto de muestreo mayor que ZNE, es moderado (factor ~7 en simulaciones, reducible a ~3.5 en la práctica al ejecutar dos circuitos) y ofrece una precisión superior en regímenes de alto ruido.

4. Resultados Experimentales

El método se probó en dos escenarios principales:

1. Modelo de Ising en Campo Transverso (TFIM):

   • Se estimó la energía del estado fundamental en un régimen de ruido variable.
   • Resultado: NRE logró una reducción sustancial del sesgo en comparación con ZNE, CDR, vnCDR y el método de Urbanek et al.
   • Robustez: NRE mantuvo estimaciones estables independientemente de la configuración de los factores de escala de ruido, mientras que ZNE fue muy sensible a la elección de estos factores.
   • En regímenes extremadamente ruidosos (donde el valor objetivo se suprimió un 80%), NRE fue el único método capaz de recuperar una estimación cercana al valor ideal.

2. Química Cuántica (Molécula de H4):

   • Se estimó la energía del estado fundamental de una cadena de hidrógeno (H4) con circuitos profundos y observables de alto peso (hasta 6 qubits).
   • Resultado: A pesar de que los valores medidos se suprimieron hasta el 2% del valor ideal debido al ruido, NRE restauró la estimación de energía con un error relativo del ~0.66%, acercándose a la precisión química (0.00159 Ha).
   • Otros métodos fallaron completamente en recuperar la energía en estos regímenes de ruido severo.

5. Significado y Conclusión

• Viabilidad Práctica: NRE establece una estrategia de mitigación de errores práctica y ampliamente aplicable para hardware cuántico actual, superando las limitaciones de los métodos existentes que requieren modelos de ruido perfectos o sufren de inestabilidad en circuitos profundos.
• Nueva Paradigma de Diagnóstico: El trabajo demuestra que las estadísticas derivadas de los datos de medición (como la dispersión normalizada) pueden utilizarse para guiar la mitigación de errores, proporcionando un camino hacia estimaciones más fiables sin necesidad de caracterización de ruido exhaustiva.
• Futuro: El marco es compatible con la integración de otras técnicas de supresión de errores y tiene potencial para extenderse a procesadores cuánticos con corrección de errores parcial (qubits lógicos), donde la estimación precisa de observables lógicos seguirá siendo crucial.

En resumen, NRE representa un avance significativo al ofrecer un método que es robusto a las imperfecciones en la amplificación de ruido, no depende de modelos de ruido explícitos y mantiene un sobrecosto de muestreo manejable, logrando resultados de alta precisión en hardware real de 20 qubits.