Hardware-Efficient Error Mitigation and Shot-Efficient Sampling on IBM Quantum Hardware
Este artículo evalúa experimentalmente las compensaciones entre las técnicas de mitigación de errores y el muestreo de disparos finitos en el hardware de IBM Quantum bajo un presupuesto de ejecución restringido, proporcionando una caracterización consciente del hardware sobre cuándo las estrategias de mitigación mejoran la precisión de la estimación frente a cuándo las fluctuaciones de muestreo anulan sus beneficios.
Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
En el zumbido silencioso de una sala de servidores, un nuevo tipo de computadora está aprendiendo a pensar. Estas máquinas, construidas a partir de circuitos superconductores enfriados a temperaturas más frías que el espacio profundo, prometen resolver problemas que a las supercomputadoras actuales les llevaría milenios descifrar. Pero hay un inconveniente: estas computadoras cuánticas son increíblemente frágiles. La más mínima vibración o calor puede hacer que sus cálculos fallen. Debido a que aún no somos capaces de construir máquinas que sean completamente inmunes a estos errores, los científicos han desarrollado un conjunto de trucos llamados mitigación de errores. Estos trucos no reparan las partes dañadas de la máquina; en su lugar, intentan adivinar cuál debería haber sido la respuesta correcta ejecutando el mismo cálculo muchas veces y buscando patrones en los errores. La esperanza es que, al combinar estos resultados ruidosos, podamos extraer una señal clara del estática.
Sin embargo, hay un costo oculto en estos trucos. Para obtener una mejor suposición, la computadora debe ejecutar el cálculo más veces, consumiendo un recurso limitado conocido como "shots" (disparos), que son simplemente el número de veces que se le pide a la máquina que mida su resultado. Si gastas demasiados disparos tratando de corregir los errores, podrías terminar con un resultado que sea menos preciso que si simplemente hubieras ejecutado el cálculo unas pocas veces y aceptado el ruido. Esta tensión entre corregir los errores y quedarse sin intentos es el rompecabezas central que los investigadores están tratando de resolver. Necesitan saber exactamente cuándo estos métodos de corrección ayudan y cuándo en realidad empeoran las cosas, especialmente en las máquinas reales disponibles hoy en día.
Un investigador del Instituto Indio de Tecnología de Jodhpur decidió probar este equilibrio en una computadora cuántica real y funcional. Utilizó un potente procesador de 156 cúbits de IBM, una máquina que representa la vanguardia de la tecnología actual. Su objetivo no era solo ver si la corrección de errores funcionaba, sino medirla de manera justa manteniendo fijo el número total de intentos. Imagine que tiene un tiempo fijo para tomar una fotografía de un objeto en movimiento. Puede tomar una exposición larga, que podría resultar borrosa, o tomar muchos instantáneas rápidas y combinarlas. El investigador quería saber si tomar muchas instantáneas y combinarlas con una receta matemática específica daría una imagen más clara que simplemente tomar una toma larga, dado que el tiempo total disponible fuera el mismo para ambos métodos.
El investigador configuró una serie de experimentos utilizando diferentes tipos de circuitos, que son las instrucciones dadas a la computadora. Probó cadenas simples de cúbits, patrones repetitivos de operaciones y un tipo específico de cálculo utilizado para problemas de optimización. Comparó los resultados brutos, sin corregir, contra varias estrategias de corrección. Una estrategia consistió en corregir los errores que ocurren cuando la máquina lee la respuesta final. Otra consistió en ejecutar el cálculo con diferentes niveles de ruido artificial y luego adivinar matemáticamente cuál sería el resultado si no hubiera nada de ruido en absoluto. También probó un método inteligente y adaptativo que intentaba decidir cuántas veces ejecutar cada parte del cálculo basándose en qué tan ruidosa parecía ser esa parte específica.
Los resultados fueron sorprendentes y matizados. El investigador descubrió que el método inteligente y adaptativo no ganaba automáticamente. De hecho, cuando compararon el método inteligente con un método uniforme simple donde cada parte del cálculo se ejecutaba el mismo número de veces, el método inteligente solo funcionó mejor en dos de seis escenarios diferentes. En los otros cuatro escenarios, el enfoque uniforme simple fue en realidad más preciso. Esto sugiere que la estrategia compleja de ajustar constantemente el número de intentos basándose en comprobaciones preliminazares de ruido no es una mejora garantizada. A veces, el esfuerzo adicional para ser "inteligente" sobre dónde gastar los disparos resultó en una respuesta final peor.
Otro hallazgo clave fue que los métodos de corrección no siempre arreglaban el sesgo, o el error sistemático, de la manera en que los científicos esperaban. Para un tipo específico de cálculo que involucra un patrón de estados de arriba y abajo, el método diseñado para eliminar el ruido hizo que el error fuera mayor de lo que era antes. El investigador observó que, cuando la computadora era consultada para medir un valor que estaba muy cerca del límite de lo posible, el truco matemático utilizado para eliminar el ruido a veces se pasaba de largo, alejando la respuesta de la verdad. Esto sucedió incluso aunque el método es ampliamente utilizado y confiable. Demostró que estas herramientas no son varitas mágicas que funcionan en todas las situaciones; a veces pueden introducir nuevos problemas mientras intentan resolver los antiguos.
El estudio también destacó la importancia del diseño físico de la computadora misma. El investigador descubrió que simplemente elegir qué cables en el chip usar para su cálculo marcaba una gran diferencia. Cuando utilizaron un par de cables que eran conocidos por tener bajos errores, sus resultados fueron significativamente mejores que cuando usaron un par de cables del mismo chip que eran conocidos por tener altos errores. La diferencia de calidad entre estos dos pares de cables fue tan grande que era comparable a la diferencia causada por añadir varias capas adicionales de complejidad al cálculo. Esto significa que, antes de intentar arreglar los errores con software, puede ser tan importante como seleccionar cuidadosamente las mejores partes físicas de la máquina para ejecutar el código.
En última instancia, el investigador concluyó que no existe una regla única y universal para cuándo usar la mitigación de errores. La decisión depende enteramente de la máquina específica, del cálculo específico que se esté realizando y del número de intentos disponibles. En el procesador IBM que probó, la estrategia de asignación de disparos adaptativa que analizó no fue superior al enfoque uniforme simple. En muchos casos, los métodos estándar de corrección de errores aumentaron la incertidumbre del resultado en lugar de reducirla. El investigador publicó todos sus datos, código y las instrucciones exactas que utilizó para que otros puedan repetir los experimentos. Su trabajo sirve como un recordatorio de que, en el ruidoso mundo de la computación cuántica actual, la solución más sofisticada no siempre es la mejor, y que se requiere una prueba cuidadosa y honesta antes de decidir aplicar estos poderosos pero costosos arreglos.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.