Quantum error mitigation using energy sampling and extrapolation enhanced Clifford data regression

Cet article propose deux améliorations de la régression des données de Clifford (CDR) pour l'atténuation des erreurs dans les simulations de chimie quantique : l'échantillonnage d'énergie pour sélectionner les circuits d'entraînement les plus pertinents et l'extrapolation non-Clifford pour affiner le modèle de régression, surpassant ainsi les performances de la méthode originale.

L'essentiel

Le Contexte : Une Voiture dans le Brouillard

Imaginez que nous essayons de conduire une voiture (un ordinateur quantique) pour trouver le point le plus bas d'une vallée (l'énergie exacte d'une molécule, ici l'hydrogène). Le problème ? Nous sommes dans un brouillard très épais (le bruit des machines actuelles). À cause de ce brouillard, le compteur de vitesse et le GPS donnent des informations fausses. Nous ne savons pas exactement où nous sommes.

C'est ce qu'on appelle l'ère NISQ (ordinateurs quantiques "bruyants" à échelle intermédiaire). Ils sont puissants, mais ils font beaucoup d'erreurs.

La Solution de Base : Le "CDR" (La Carte de Référence)

Pour corriger ces erreurs, les scientifiques utilisent une méthode appelée Régression sur les Données de Clifford (CDR).

Imaginez que vous avez une carte très précise de la vallée, mais seulement pour les routes principales (les circuits "Clifford" qui sont faciles à calculer sur un ordinateur classique).

1. Vous conduisez votre voiture bruyante sur ces routes principales et vous notez ce que votre GPS défectueux indique.
2. Vous comparez cela avec la carte précise (le résultat idéal).
3. Vous créez une formule mathématique (un modèle de régression) qui dit : "Quand le GPS dit X, la vraie valeur est en réalité Y."
4. Ensuite, vous appliquez cette formule à votre destination finale (la molécule complexe) pour corriger l'erreur.

Le Problème : La Formule n'est pas parfaite

Les auteurs ont découvert que cette méthode de base fonctionne, mais pas assez bien. C'est comme si votre formule de correction était un peu trop simpliste pour un brouillard très dense. Ils ont donc voulu l'améliorer avec deux nouvelles astuces.

---

Astuce 1 : L'Échantillonnage par Énergie (Energy Sampling)

L'analogie : Le tri des candidats pour un casting.

Dans la méthode classique, on prend des routes au hasard pour créer notre carte de référence. C'est comme si on demandait à 100 personnes de deviner la température, et qu'on prenait la moyenne, peu importe si elles sont dans un sauna ou dans un congélateur.

Les auteurs proposent une nouvelle idée : ne choisir que les meilleures routes.

• Au lieu de prendre des circuits au hasard, ils simulent d'abord 150 circuits sur un ordinateur classique (sans bruit).
• Ils ne gardent que les 10 circuits qui donnent les énergies les plus basses (les plus proches de la vraie vallée).
• Ils utilisent uniquement ces "meilleurs candidats" pour entraîner leur formule de correction.

Résultat : C'est comme si vous entraîniez votre GPS uniquement avec des conducteurs experts qui connaissent bien la vallée. La correction devient beaucoup plus précise, surtout quand on a peu de données. C'est une méthode très efficace et peu coûteuse.

---

Astuce 2 : L'Extrapolation Non-Clifford (NCE)

L'analogie : Apprendre à marcher avant de courir.

Dans la méthode classique, on regarde la relation entre le bruit et la vérité pour un seul type de circuit (disons, un circuit avec 4 "pièces" complexes). On essaie ensuite de deviner ce qui se passe pour un circuit avec 27 pièces complexes. C'est un peu comme essayer de prédire comment un enfant de 10 ans va grandir en regardant seulement comment il grandit à 2 ans.

Les auteurs proposent d'ajouter une nouvelle information à la formule : le nombre de pièces complexes (paramètres non-Clifford).

• Au lieu de regarder un seul point, ils regardent comment la relation entre le bruit et la vérité change quand on passe de 1 pièce complexe à 2, puis 3, puis 4...
• Ils disent à l'ordinateur : "Voici comment l'erreur évolue quand on ajoute un peu de complexité. Maintenant, utilise cette tendance pour prédire ce qui se passera quand on aura beaucoup de complexité."

Résultat : C'est comme si on apprenait à l'ordinateur à extrapoler (deviner l'avenir) en voyant l'évolution de la courbe. Cela permet d'obtenir des résultats encore plus précis, surtout pour les circuits très complexes, mais cela demande de faire plus de calculs (plus de données à collecter).

---

En Résumé : Ce que disent les auteurs

1. Le constat : Les ordinateurs quantiques actuels font des erreurs, mais on peut les corriger.
2. L'amélioration 1 (Échantillonnage) : En choisissant intelligemment nos données d'entraînement (les plus proches de la vérité), on améliore la correction sans dépenser plus d'énergie. C'est la méthode la plus rentable.
3. L'amélioration 2 (Extrapolation) : En donnant à l'ordinateur plus d'indices sur la façon dont l'erreur change avec la complexité, on obtient des résultats encore plus précis, mais cela demande plus de travail.

La conclusion : Ces deux nouvelles méthodes permettent de voir plus clair dans le brouillard quantique. Elles nous rapprochent du moment où nous pourrons utiliser ces ordinateurs pour résoudre de vrais problèmes de chimie et de matériaux, sans avoir besoin d'attendre des décennies pour avoir des ordinateurs parfaits.

Résumé technique

1. Problématique

L'ère des ordinateurs quantiques à échelle intermédiaire bruyants (NISQ) est caractérisée par des dispositifs sensibles au bruit et à la décohérence, ce qui limite la précision des calculs, en particulier pour la chimie quantique où une haute précision est requise. L'absence de correction d'erreurs quantiques complète rend nécessaire le développement de techniques d'atténuation des erreurs (QEM).

Bien que des méthodes comme l'extrapolation à bruit nul (ZNE) ou l'annulation probabiliste des erreurs (PEC) existent, elles souffrent souvent d'une surcharge de calcul ou d'échantillonnage importante. La Régression sur les Données Clifford (CDR) est une méthode d'apprentissage prometteuse qui utilise des circuits simulables classiquement (composés principalement de portes Clifford) pour entraîner un modèle de régression capable de prédire les valeurs idéales à partir de mesures bruyantes. Cependant, la performance de la CDR standard dépend fortement des hyperparamètres et peut ne pas être optimale pour des circuits profonds ou complexes.

2. Méthodologie

Les auteurs ont étudié et amélioré le cadre CDR en utilisant le Variational Quantum Eigensolver (VQE) avec l'ansatz tUPS (tiled Unitary Product State) pour simuler la molécule H4 (4 électrons, 4 orbitales, 8 qubits) sur un simulateur de bruit basé sur le modèle du backend ibm torino.

L'approche méthodologique se décompose en trois volets :

1. Analyse des hyperparamètres de la CDR traditionnelle :

   • Étude de l'impact de la taille de l'ensemble d'entraînement ($N$) et du nombre de paramètres non-Clifford ($k$) conservés dans les circuits d'entraînement.
   • Comparaison entre des modèles de régression linéaire et quadratique.
   • Évaluation de l'effet du « biaisage » (biasing), consistant à choisir les portes Clifford dont la phase est la plus proche de celle des portes non-Clifford originales, par rapport à une approche sans biais (phase nulle).

2. Proposition de deux stratégies d'amélioration :

   • Échantillonnage par Énergie (Energy Sampling - ES) : Au lieu de sélectionner aléatoirement les circuits d'entraînement parmi les circuits Clifford simulables, cette stratégie consiste à simuler classiquement un grand pool de circuits ($M$), à calculer leurs énergies idéales, et à ne sélectionner que les $N$ circuits ayant les énergies les plus basses pour former l'ensemble d'entraînement. Cela biaise l'échantillon vers l'état fondamental cible sans augmenter le coût quantique (seuls $N$ circuits sont exécutés sur le matériel).
   • Extrapolation Non-Clifford (Non-Clifford Extrapolation - NCE) : Cette méthode enrichit le modèle de régression en ajoutant le nombre de paramètres non-Clifford ($k$) comme caractéristique d'entrée supplémentaire. Au lieu d'entraîner le modèle sur un seul $k$, on utilise des données provenant de plusieurs valeurs de $k$ (par exemple de 1 à 6) pour apprendre comment la relation entre les valeurs bruyantes et idéales évolue lorsque le circuit se rapproche de la solution optimale. Le modèle est ensuite extrapolé pour prédire la valeur à $k=n$ (le circuit complet).

3. Contributions Clés

• Validation de l'importance du biaisage : L'étude démontre que biaiser les circuits d'entraînement vers l'état cible (en choisissant des phases proches) améliore considérablement la précision par rapport à une approche sans biais, réduisant les erreurs absolues de manière significative (jusqu'à 0,3 Ha pour les circuits à 3 couches).
• Développement de l'ES-CDR : Introduction d'une méthode de pré-sélection des données d'entraînement basée sur l'énergie, prouvant que filtrer les échantillons pour ne garder que les plus proches de l'état fondamental améliore la qualité de l'atténuation.
• Développement de la NCE-CDR : Proposition d'un modèle de régression multivarié intégrant le paramètre $k$, permettant une extrapolation plus robuste de la relation bruit/idéal, surpassant les méthodes statiques traditionnelles.

4. Résultats

Les simulations numériques sur la molécule H4 avec des ansatz à 2 et 3 couches montrent :

• CDR Traditionnelle : La convergence est rapide (autour de 50 échantillons), mais les erreurs résiduelles restent élevées (> 0,1 Ha) sans biaisage. Le choix entre régression linéaire et quadratique a un impact mineur.
• ES-CDR (Échantillonnage par Énergie) : Cette méthode surpasse systématiquement la CDR traditionnelle, en particulier pour de petits ensembles d'entraînement ($N$). Elle peut réduire l'erreur absolue de moitié par rapport à la CDR standard. L'augmentation de la taille du pool de données classiques ($M$) améliore encore les résultats.
• NCE-CDR (Extrapolation Non-Clifford) :
  • Pour les circuits à 2 couches, la NCE-CDR surpasse à la fois la CDR traditionnelle et l'ES-CDR, réduisant l'erreur absolue d'environ 0,13 Ha par rapport à la CDR standard.
  • Pour les circuits à 3 couches, elle surpasse la CDR traditionnelle mais montre des performances variables par rapport à l'ES-CDR (parfois légèrement inférieures), nécessitant un plus grand nombre d'échantillons pour converger.
  • L'analyse de l'extrapolation montre que le modèle NCE parvient à mieux reconstruire la courbe d'énergie idéale en fonction de $k$, bien que la précision diminue lorsque l'écart entre le $k$ d'entraînement et le $k$ cible ($n$) devient trop grand.

5. Signification et Conclusion

Ce travail démontre que l'optimisation des stratégies d'entraînement est cruciale pour l'efficacité de l'atténuation d'erreurs sur les dispositifs NISQ.

• L'ES-CDR est présentée comme l'option la plus rentable (cost-effective), offrant une amélioration significative sans augmenter le coût quantique (nombre de tirages sur le matériel).
• La NCE-CDR offre une voie vers une précision accrue en exploitant l'information structurelle du circuit (le nombre de paramètres non-Clifford), bien qu'elle impose un coût classique plus élevé et nécessite plus de données d'entraînement.

En conclusion, ces deux stratégies améliorent la fiabilité des simulations de chimie quantique sur le matériel actuel. Les auteurs suggèrent que des recherches futures pourraient combiner ces deux approches (ES + NCE) et explorer des modèles de régression plus avancés pour repousser les limites de la précision sur les ordinateurs quantiques actuels.