Multi-Layer Cycle Benchmarking for high-accuracy error characterization

Énoncé du problème
Une caractérisation précise du bruit est une condition préalable à un calcul quantique fiable et au déploiement efficace de techniques d'atténuation d'erreurs tenant compte du bruit. Bien que les modèles de bruit de Pauli efficaces offrent un moyen évolutif de décrire les processus d'erreur avec un nombre gérable de paramètres, ils souffrent d'une limitation fondamentale : la « apprenabilité » des valeurs propres de Pauli. Comme l'ont démontré des travaux antérieurs (par exemple, Réf. [22]), la liberté de jauge introduit des ambiguïtés qui empêchent la détermination indépendante de certains paramètres de canal de Pauli à partir des erreurs de préparation et de mesure de l'état (SPAM). Spécifiquement, pour un ensemble de portes Clifford, le nombre de degrés de liberté (DOF) de bruit non apprenables augmente exponentiellement avec le nombre de qubits. Les protocoles de Cycle Benchmarking (CB) standards peuvent déterminer tous les DOF apprenables avec une grande précision et une robustesse vis-à-vis du SPAM, mais ils laissent une fraction significative de paramètres à estimer via des méthodes de « faible précision » (par exemple, des hypothèses de symétrie ou des circuits de profondeur unitaire). Ces quantités non apprenables, particulièrement dans les modèles scalables comme le modèle Sparse Pauli-Lindblad (SPL), peuvent constituer une fraction non négligeable du total des paramètres (approchant ~4,8 % dans les grands systèmes à topologie carrée), dégradant ainsi la précision de la caractérisation du bruit et l'efficacité des stratégies d'atténuation d'erreurs comme l'Annulation d'Erreur Probabiliste (PEC).

Méthodologie : Multi-Layer Cycle Benchmarking (MLCB)
Les auteurs introduisent le Multi-Layer Cycle Benchmarking (MLCB), un protocole de caractérisation amélioré conçu pour augmenter le nombre de DOF apprenables en analysant conjointement plusieurs couches de portes Clifford. Contra-irement au CB standard, qui caractérise chaque couche de manière isolée, le MLCB construit des circuits où le « bloc de construction » répété $d$ fois consiste en une combinaison de couches distinctes (par exemple, des couches alternées Bleue et Verte) plutôt qu'une seule couche.

Le protocole fonctionne comme suit :

1. Orbite Multi-Couches : Le MLCB définit une « orbite multi-couches » pour une paire de couches $L_1, L_2$. En appliquant la séquence de couches et en mesurant la valeur d'espérance d'un opérateur de Pauli, le protocole mesure des produits de valeurs propres de Pauli provenant de différentes couches (par exemple, $f^{L_1}_{\alpha} f^{L_2}_{\beta}$) avec une grande précision et une robustesse vis-à-vis du SPAM.
2. Déblocage des DOF Non Apprenables : Dans le contexte du modèle SPL, qui suppose que le bruit est généré par des Lindbladians locaux, les auteurs démontrent que ces produits inter-couches fournissent des contraintes sur les rapports de valeurs propres de Pauli de poids un non apprenables. Par exemple, dans un système de portes CZ parallèles, le MLCB peut déterminer le rapport des valeurs propres non apprenables associées à des qubits adjacents dans différentes couches.
3. Scalabilité : La méthode est appliquée à un QPU à topologie carrée avec quatre couches denses de portes CZ parallèles. En analysant des paires de couches (Bleu-Vert, Vert-Rouge, etc.), le MLCB impose des contraintes de haute précision qui réduisent le nombre de DOF non apprenables de $\sim 4n$ à $\sim n$ dans les grands systèmes, réduisant ainsi efficacement la fraction non apprenable de 75 %.

Contributions Clés

• Développement de Protocole : La formulation du MLCB, qui exploite les contraintes inhérentes aux modèles de bruit effectifs pour extraire des informations de circuits multi-couches inaccessibles au CB mono-couche.
• Analyse Théorique : Une dérivation systématique montrant comment le MLCB débloque des DOF spécifiques dans les chaînes ouvertes et fermées de qubits, prouvant qu'il peut déterminer les rapports de valeurs propres non apprenables pour des combinaisons arbitraires de couches Clifford.
• Validation Expérimentale : Implémentation du MLCB sur le processeur supraconducteur à 20 qubits IQM Garnet™. L'expérience a mesuré avec succès des différences entre les produits de valeurs propres de Pauli qui sont statistiquement incompatibles avec zéro, réfutant ainsi expérimentalement l'hypothèse commune selon laquelle les valeurs propres non apprenables sont symétriques ou égales à leurs conjuguées.
• Simulation Numérique : Démonstration que l'incorporation des données MLCB dans l'ajustement des modèles de bruit SPL réduit considérablement l'erreur de reconstruction (mesurée par la distance $L_1$) par rapport à l'utilisation uniquement du CB standard et des méthodes d'estimation de faible précision.

Résultats

• Réduction des DOF Non Apprenables : Dans des scénarios réalistes impliquant des couches CZ denses sur une topologie carrée, le MLCB réduit le nombre de degrés de liberté de bruit non apprenables jusqu'à 75 %.
• Preuve Expérimentale : Sur le processeur IQM Garnet™, les différences mesurées entre les produits de valeurs propres inter-couches étaient systématiquement non nulles (avec une signification statistique allant jusqu'à ~99,5 %), confirmant que les hypothèses de symétrie souvent utilisées pour estimer les paramètres non apprenables sont violées dans le matériel réel.
• Amélioration de la Précision de Caractérisation : Les simulations numériques sur des systèmes de 20 qubits montrent que l'utilisation des données MLCB conduit à une reconstruction plus précise du modèle de bruit sous-jacent. Le rapport des erreurs de reconstruction ($r = \Delta_{MLCB} / \Delta_{CB}$) était systématiquement inférieur à 1, se situant souvent dans la plage de 0,5 à 0,8, ce qui indique une amélioration substantielle de la fidélité du modèle.
• Atténuation d'Erreur Améliorée : La caractérisation de bruit améliorée se traduit directement par une meilleure performance de l'Annulation d'Erreur Probabiliste (PEC). Les simulations ont montré que l'utilisation de modèles caractérisés par MLCB réduisait l'écart-type du biais de la PEC de près de trois fois par rapport aux méthodes de caractérisation conventionnelles.

Signification
L'article positionne le MLCB comme un outil scalable, pratique et économiquement efficient pour une caractérisation précise du bruit. En réduisant considérablement la dépendance aux méthodes d'estimation de faible précision pour les paramètres non apprenables, le MLCB permet des modèles de bruit effectifs plus précis. Cela, en retour, booste la performance des techniques d'atténuation d'erreurs tenant compte du bruit, qui sont critiques pour parvenir à un calcul quantique fiable sur les dispositifs de l'ère NISQ. Les auteurs soulignent que, bien que le MLCB traite le goulot d'étranglement spécifique de la limite d'apprenabilité, il opère dans le contexte plus large des imperfections expérimentales (telles que la dérive temporelle), et sa mise en œuvre nécessite un surcoût minimal (environ 7 % de passages de circuits supplémentaires) pour obtenir une réduction de 75 % des DOF non apprenables. Ce travail complète les cadres théoriques de l'apprenabilité du bruit de Pauli en fournissant une méthode opérationnelle concrète pour les QPUs 2D avec des topologies carrées.