HAMMR-L: Noise Reduction in Quantum Outcomes Using a Richardson-Lucy Deconvolution Algorithm for Quantum State Graphs

1. Planteamiento del Problema

Los computadores cuánticos actuales pertenecen a la era NISQ (Quantum de Escala Intermedia Ruidosa). A medida que aumenta la profundidad de los circuitos y el número de qubits, el ruido y los errores se vuelven significativos, degradando la fidelidad de las distribuciones de salida.

• Limitación actual: La Corrección de Errores Cuánticos (QEC) requiere recursos lógicos que aún no están disponibles a gran escala. Por lo tanto, se depende de la Mitigación de Errores Cuánticos (QEM) para reducir el ruido en los resultados sin corregir completamente los errores.
• Observación clave: Se ha observado que los resultados erróneos en los computadores cuánticos exhiben patrones estructurados en el espacio de Hamming (la distancia entre cadenas binarias). Los errores tienden a manifestarse como "flips" de bits cercanos a la respuesta correcta.
• Desafío: Los métodos existentes basados en Hamming, como QBEEP, han mostrado mejoras, pero a menudo dependen de modelos de ruido específicos del hardware o del circuito, lo que limita su generalidad.

2. Metodología: HAMMR-L

Los autores proponen HAMMR-L, una técnica de post-procesamiento que aplica el algoritmo de deconvolución Richardson-Lucy (originalmente diseñado para la restauración de imágenes) a los grafos de estados cuánticos.

A. Construcción del Grafo de Estados

• Se construye un grafo donde cada nodo representa una cadena de bits observada (resultado de la medición) y su probabilidad asociada.
• Los nodos están conectados si sus cadenas tienen una distancia de Hamming de 1 (es decir, difieren en un solo bit). Esto crea una estructura de vecindad basada en el espacio de Hamming.

B. Analogía con la Deconvolución de Imágenes

El problema de mitigación de errores se formula matemáticamente como un problema de desenfoque de imagen:

• Imagen original ($u$): La distribución de probabilidad verdadera (sin ruido).
• Imagen observada ($d$): La distribución de probabilidad medida (ruidosa).
• Función de Dispersión del Punto (PSF, $P$): Representa cómo un resultado correcto se "difumina" hacia resultados incorrectos debido al ruido. En este contexto, la PSF depende de la distancia de Hamming entre las cadenas.
• Ecuación: La distribución ruidosa se modela como una convolución discreta: $d(i) = (u * P)(i) = \sum_j u(j)P(h(i, j))$.

C. Algoritmo Richardson-Lucy

El método utiliza un proceso iterativo para estimar la distribución original $u$:

1. Se asume una PSF basada en la distancia de Hamming. Los autores experimentaron con varias dependencias y encontraron que una función inversa de la distancia, $p_{ij} = \frac{1}{h(i,j) + 1}$, funcionaba mejor experimentalmente.
2. Se inicia con la distribución observada como estimación cero: $\hat{u}^{(0)}_j := d_j$.
3. Se itera la actualización de la probabilidad estimada:
   $$\hat{u}^{(n+1)}_j := \hat{u}^{(n)}_j \sum_i \frac{d_i}{c_i} p_{ij}$$
   Donde $c_i$ es una normalización local.
4. El proceso se repite hasta la convergencia o un número máximo de iteraciones, seguido de una normalización final para asegurar que las probabilidades sumen 1.

3. Contribuciones Clave

1. Nueva Perspectiva: Es la primera aplicación del algoritmo Richardson-Lucy (típicamente de procesamiento de imágenes) al problema de mitigación de errores cuánticos mediante grafos de estado en espacio de Hamming.
2. Independencia del Hardware: A diferencia de QBEEP, que ajusta su distribución de Poisson según el hardware específico, HAMMR-L es agnóstico al circuito y al hardware. No requiere modelos de ruido previos ni calibración específica del dispositivo.
3. Mejora de Fidelidad: Demuestra que es posible recuperar la distribución correcta "desenfoqueando" la distribución ruidosa utilizando solo la estructura topológica del espacio de Hamming.

4. Resultados Experimentales

Los autores evaluaron HAMMR-L utilizando el algoritmo Bernstein-Vazirani en hardware de IBM (computadores cuánticos reales), generando conjuntos de datos de 9 y 10 qubits con diferentes conteos de "unos" en la cadena secreta (lo que varía la cantidad de puertas CNOT y, por ende, la tasa de error).

• Métrica Principal: Se midió el cambio en el rango de la cadena secreta correcta (donde rango 1 es la probabilidad más alta).
• Comparación con QBEEP:
  • En 7 de los 10 conjuntos de datos, HAMMR-L mostró un porcentaje mayor de circuitos con "Rango Mejorado" que QBEEP.
  • Mejora Media del Rango: HAMMR-L logró un aumento promedio de rango de 3.081, mientras que QBEEP tuvo un cambio promedio de -0.328 (lo que indica que, en promedio, QBEEP empeoró el rango de la respuesta correcta en estos experimentos).
  • Casos de Alta Tasa de Error: En el caso de 8 unos (muy ruidoso), HAMMR-L mejoró el rango en más del 50% de los resultados, superando a QBEEP por más de 8 puntos en el cambio medio de rango.
• Limitaciones Observadas: Se notó una alta varianza entre ejecuciones (run-to-run variance), especialmente en el conjunto de 7 unos. Los autores atribuyen esto a fluctuaciones en el hardware de IBM que no se alineaban perfectamente con la PSF genérica utilizada.

5. Significado y Trabajo Futuro

• Significado: HAMMR-L valida que los principios de la óptica y el procesamiento de imágenes pueden aplicarse eficazmente a la computación cuántica. Ofrece una solución generalizable que no depende de la disponibilidad de modelos de ruido precisos por parte de los proveedores de hardware.
• Futuro:
  1. Deconvolución Ciega (Blind Deconvolution): Estimar la PSF directamente desde la estructura de la imagen borrosa (la distribución de salida) sin conocerla de antemano, lo que podría adaptarse mejor a las variaciones del hardware.
  2. Modelado Específico de Hardware: Integrar modelos de ruido de IBM para refinar la PSF, aunque esto sacrificaría parte de la agnosticidad del método.
  3. Aprendizaje Profundo: Combinar Richardson-Lucy con redes neuronales para aprender la PSF y acelerar la convergencia.

En conclusión, HAMMR-L representa un avance significativo en la mitigación de errores para la era NISQ, ofreciendo una mejora tangible sobre los métodos actuales basados en Hamming y abriendo nuevas vías de investigación interdisciplinaria entre la teoría de la información, la óptica y la computación cuántica.