Resumen Técnico: Caracterización mediante Redes de Tensores y Mitigación de Errores de Lectura

Declaración del Problema

Los errores de lectura siguen siendo una fuente de ruido dominante en los dispositivos cuánticos de escala intermedia de la era NISQ (Noisy Intermediate-Scale Quantum), distorsionando directamente los resultados de las mediciones clásicas y sesgando tareas como la estimación de valores esperados, la tomografía y los benchmarks de muestreo. Los enfoques estándar de mitigación de errores de lectura (REM) típicamente caracterizan una matriz de transición clásica $\Lambda$ que mapea las distribuciones ideales a las ruidosas. Sin embargo, la caracterización completa de $\Lambda$ escala exponencialmente con el tamaño del sistema ($2^N \times 2^N$). Para evitar esto, los métodos existentes a menudo asumen procesos de lectura de un solo qubit independientes (modelos no correlacionados). Estos modelos factorizados descuidan las correlaciones espaciales inducidas por el crosstalk, líneas de control compartidas y mecanismos específicos del hardware. Tales correlaciones suelen ser no despreciables en dispositivos reales, particularmente para observables no locales y tareas de muestreo a gran escala, lo que limita el rendimiento de las estrategias de mitigación no correlacionadas.

Metodología

Los autores proponen un marco unificado de redes de tensores que modela la matriz de error de lectura $\Lambda$ como un Operador de Producto de Matrices (MPO). Esta representación captura naturalmente las correlaciones locales y de corto alcance con una complejidad polinomial.

1. Caracterización mediante el Aprendizaje de MPO

• Representación: La matriz de error de lectura $\Lambda_{x,y}$ (probabilidad del resultado $x$ dado el estado verdadero $y$) se representa como $|\text{Tr}(M^{[1]}_{x_1,y_1} \cdots M^{[N]}_{x_N,y_N})|^2$, donde $M^{[k]}$ son tensores locales con una dimensión de enlace $\chi$ finita. Esto asegura la positividad de los elementos de la matriz.
• Normalización: A diferencia de las Unidades de Producto de Matrices (MPU), el modelo MPO solo requiere que las sumas de las filas sean unitarias ($\sum_x \Lambda_{x,y} = 1$), una condición más débil adecuada para procesos estocásticos clásicos.
• Entrenamiento: Los parámetros del MPO se aprenden directamente de los datos de calibración (preparando y midiendo estados producto) utilizando una optimización basada en la verosimilitud. La función de pérdida minimiza el log-likelihood negativo de los resultados observados, aumentado con un término de penalización para imponer la restricción de normalización. Los gradientes se computan eficientemente mediante la contracción de redes de tensores.

2. Estrategias de Mitigación

El marco integra el modelo MPO aprendido en diversas tareas de REM:

• Observables No Locales: El valor esperado ideal $\langle O \rangle_{ideal}$ se estima contrayendo el observable (representado como un MPS) con la inversa de la matriz de error de lectura ($\Lambda^{-1}$). La inversa se aproxima variacionalmente usando un MPO de una sola capa para minimizar $\|\Lambda \Omega - I\|_F^2$.
• Muestreo Global: Para recuperar muestras de la distribución ideal $P_{ideal}$ dadas las muestras ruidosas, el método aprende un modelo MPS para $P_{ideal}$ maximizando la verosimilitud de los datos ruidosos bajo la transformación $P_{noisy} = \Lambda P_{ideal}$.
• Mediciones Aleatorias: Para tareas como las sombras clásicas (classical shadows) y el aprendizaje de la tomografía (por ejemplo, usando Operadores de Densidad Localmente Purificados, LPDO), el modelo de error de lectura se integra directamente en el objetivo de optimización. En lugar de procesar las muestras a posteriori, la función de verosimilitud se modifica para sumar sobre los estados verdaderos ponderados por la matriz de error de lectura $\Lambda$.
• Decodificación de Corrección de Errores Cuánticos (QEC): Para códigos de superficie 2D, el modelo MPO se generaliza a un Operador de Pares Entrelazados Proyectados (PEPO). El modelo de error de lectura se fusiona localmente con el tensor de red del decodificador (PEPS) para realizar una inferencia conjunta sobre los errores de datos y los errores de lectura, tratando efectivamente la lectura de síndromes como una entrada de información suave (soft-information) en lugar de bits de voto duro.

Resultados Clave

Validación Experimental (Procesador Superconductor)

Los experimentos se realizaron en el chip superconductor Baihua (plataforma Quafu) utilizando cadenas de 6 qubits.

• Captura de Correlación: El modelo MPO ($\chi=4$) superó consistentemente al modelo de producto no correlacionado en la caracterización de la matriz de error completa $\Lambda_{Full}$. El modelo MPO logró una distancia relativa de $\approx 0.043$ de la caracterización completa, comparado con $\approx 0.074$ para el modelo no correlacionado, demostrando su capacidad para capturar el ruido correlacionado que los modelos estándar pasan por alto.
• Observables No Locales: En experimentos con estados de clúster de 7 qubits, la REM basada en MPO mejoró significativamente la estimación de los parámetros de orden de cadena no locales, particularmente para cadenas largas donde los errores son más pronunciados.

Simulaciones Numéricas

• Escalabilidad: Las simulaciones hasta $N=20$ qubits mostraron que el costo de muestreo requerido para aprender el modelo MPO escala casi linealmente con el tamaño del sistema, un marcado contraste con el costo exponencial de la caracterización completa.
• Muestreo Global: Para el muestreo de circuitos aleatorios, el método mejoró la fidelidad de Benchmarking de Entropía Cruzada (XEB). Aunque generar nuevas muestras ideales requería un MPS con una dimensión de enlace que crece exponencialmente, el método infirió con éxito la fidelidad XEB directamente de las muestras ruidosas mediante la contracción de tensores, eliminando el sesgo de lectura sin un muestreo explícito.
• Mediciones Aleatorias: En la estimación de sombras clásicas y la tomografía basada en LPDO de un estado de Gibbs del modelo XY 1D, el método REM redujo significamente el sesgo en las estimaciones de magnetización y mejoró la reconstrucción de la matriz de densidad en comparación con los métodos no mitigados.
• Decodificación QEC: Las simulaciones en un código de superficie rotado de distancia $d=7$ mostraron que el decodificador fusionado con PEPO redujo significativamente la tasa de error lógico en comparación con los decodificadores estándar, especialmente en regímenes con altas tasas de inversión de lectura. El método utilizó eficazmente la información suave de las mediciones repetidas, superando los enfoques de voto por mayoría.

Significado y Reivindicaciones

El artículo establece la mitigación de errores de lectura mediante redes de tensores como un enfoque escalable y versátil. Sus principales contribuciones son:

1. Marco Unificado: Proporciona un formalismo MPO/PEPO único que maneja errores de lectura correlacionados en diversas aplicaciones, desde observables locales hasta el muestreo global y la decodificación QEC.
2. Eficiencia: El enfoque evita la sobrecarga exponencial de la caracterización completa de errores mientras captura las correlaciones que los modelos no correlacionados omiten. La complejidad de muestreo crece casi linealmente con el tamaño del sistema.
3. Practicidad: Los resultados experimentales en hardware real confirman que los errores de lectura correlacionados son significativos y que el modelo MPO los mitiga eficazmente.
4. Integración: El marco está diseñado para ser un bloque de construcción que puede integrarse en algoritmos existentes (como las sombras clásicas y los decodificadores QEC) en lugar de actuar únicamente como un paso de post-procesamiento.

Los autores concluyen que este método ofrece una ruta prometedora hacia la extracción fiable de información física de dispositivos tanto de la era NISQ como de los futuros dispositivos tolerantes a fallos, particularmente al permitir el tratamiento del crosstalk de medición dentro de un problema de inferencia de red de tensores unificado.