Mitigating Errors on Superconducting Quantum Processors through Fuzzy Clustering

Sintesi Tecnica: Mitigazione degli Errori su Processori Quantistici Superconduttori tramite Fuzzy Clustering

Problematica
L'utilità pratica dell'hardware quantistico superconduttore è attualmente limitata dai vincoli dell'era NISQ (Noisy Intermediate Scale Quantum): un numero modesto di qubit e alti livelli di errori di controllo e lettura. Tali errori derivano dall'accoppiamento intenzionale con l'ambiente esterno necessario per la manipolazione e la lettura, nonché dal leakage dello stato e dall'accoppiamento incrociato (cross-coupling). Sebbene la Correzione degli Errori Quantistici (QEC) offra una soluzione a lungo termine, essa richiede un overhead hardware significativo (migliaia o centinaia di migliaia di qubit fisici) che è attualmente impraticabile. Di conseguenza, le tecniche di Mitigazione degli Errori Quantistici (QEM) sono essenziali per migliorare l'accuratezza dei valori di aspettazione nei dispositivi attuali. I metodi QEM esistenti, come lo Zero-Noise Extrapolation (ZNE) o il Probabilistic Error Cancellation (PEC), richiedono spesso elevati costi di campionamento o complessi aggiustamenti dei parametri. Inoltre, precedenti dimostrazioni di QEM basate su Fuzzy C-Means (FCM) erano limitate a simulatori quantistici rumorosi e non erano state validate su hardware NISQ reale.

Metodologia
Gli autori propongono e validano sperimentalmente una tecnica QEM basata sul clustering Fuzzy C-Means (FCM) per identificare e correggere i pattern di errore di misura. Il flusso di lavoro prevede tre fasi principali:

1. Creazione del Dataset: Il registro a 2 qubit viene inizializzato in tutti e quattro gli stati della base computazionale ($|00\rangle, |01\rangle, |10\rangle, |11\rangle$). Per ogni stato, vengono eseguiti $t$ esperimenti per raccogliere vettori di probabilità che rappresentano gli esiti di lettura. Ciò genera quattro dataset ($D_i$), ciascuno contenente istanze di probabilità di misura.
2. Fuzzy Clustering: L'algoritmo FCM viene applicato a ciascun dataset per raggruppare i vettori di probabilità in diversi pattern di errore. A differenza del clustering "hard", l'FCM assegna un grado di appartenenza a ogni istanza per ogni cluster. Il numero ottimale di cluster è determinato massimizzando il coefficiente di partizione fuzzy ($f_{pc}$).
3. Costruzione della Matrice di Mitigazione: L'algoritmo seleziona i vettori di probabilità "più appropriati" — quelli con i gradi di appartenenza più incerti nella matrice di partizione fuzzy, che rappresentano un compromesso tra i pattern di errore. Questi vettori vengono utilizzati per costruire una matrice di calibrazione $M$. La matrice di mitigazione $S$ viene quindi calcolata come l'inversa di $M$ ($S = M^{-1}$). Questa matrice viene applicata classicamente ai vettori di conteggio rumorosi ($C_{noisy}$) per stimare i vettori di conteggio ideali ($C_{ideal} = S \cdot C_{noisy}$).

Configurazione Sperimentale
La tecnica è stata validata su un vero processore quantistico superconduttore a 5 qubit (QuantWare Soprano) basato su qubit transmon. L'esperimento si è concentrato su un sottoinsieme a 2 qubit composto dai qubit Q0 (bassa frequenza) e Q2 (centrale a media frequenza).

• Caratteristiche dell'Hardware: Il dispositivo presentava tempi di coerenza moderati (ad esempio, $T_1 \approx 24 \mu s$ per Q0, $T_1 \approx 8 \mu s$ per Q2) e fedeltà di lettura compresa tra il 60% e l'80%, senza l'uso di amplificazione a limite quantistico o tecniche di lettura sofisticate.
• Prestazioni dei Gate: Le fedeltà dei gate a singolo qubit erano approssimativamente del 99,8% (Q0) e 99,43% (Q2). La fedeltà del gate a due qubit CZ era di circa l'89%, inferiore ai benchmark allo stato dell'arte, fornendo un banco di prova impegnativo per la mitigazione degli errori.
• Circuiti: La validazione ha coinvolto 16 circuiti di test (4 stati iniziali $\times$ 4 tipi di circuito) comprendenti gate a singolo qubit (rotazioni Hadamard, X, Y) e gate a due qubit (CNOT costruito tramite CZ).

Risultati Chiave
Le prestazioni della tecnica FCM-QEM sono state valutate utilizzando la fedeltà di Hellinger ($HF$), che misura la somiglianza tra le distribuzioni di probabilità ideali e sperimentali (mitigate e non mitigate).

• Circuiti a Singolo Qubit: La tecnica ha fornito un miglioramento modesto. Per il "Single-qubit circuit 1", la $HF$ media è migliorata di circa il +3% (ad esempio, dal 93% al 96%). Per il "Single-qubit circuit 2", i miglioramenti sono variati tra il +10% e il +15%.
• Circuiti a Due Qubit: Sono stati osservati miglioramenti significativi per i circuiti con fedeltà iniziali più basse.
  • Per il "Two-qubit circuit 1" (CNOT + H), il miglioramento è variato tra il +5% e il +33%, con un miglioramento massimo del +33% per lo stato iniziale $|00\rangle$ (portando la fedeltà dal 54% all'87%).
  • Per il "Two-qubit circuit 2" (solo CNOT), i miglioramenti sono variati tra lo 0% e il 30%.
• Limiti di Prestazione: Gli autori hanno osservato che, quando la fedeltà di Hellinger non mitigata era molto bassa (sotto il 50%), la tecnica di mitigazione offriva una correzione minima (miglioramento del 5–9%). Tuttavia, per fedeltà iniziali intorno al 60%, la tecnica poteva migliorare la lettura fino al 30%. Nei casi in cui il circuito non mitigato mostrava già un'alta fedeltà (90%), la tecnica poteva spingere il risultato verso il ~99%.

Significatività e Rivendicazioni
L'articolo sostiene di fornire la prima validazione proof-of-principle della tecnica FCM-QEM su un dispositivo NISQ reale basato su qubit superconduttori transmon. La significatività di questo lavoro risiede nel dimostrare che:

1. Indipendenza dall'Hardware: La tecnica QEM basata su FCM può migliorare l'accuratezza dei valori di aspettazione per circuiti con gate a singolo e due qubit senza richiedere coerenza, gate o fedeltà di lettura allo stato dell'arte. È efficace anche su hardware con metriche di prestazione "modeste".
2. Comodità Sperimentale: Il metodo si basa interamente sull'elaborazione post-classica e su una routine di inizializzazione, evitando la necessità di ulteriori risorse hardware o complesse correzioni in-circuit (a differenza di ZNE o t-REx).
3. Stabilità: La tecnica dimostra ripetibilità attraverso molteplici esecuzioni, tenendo conto efficacementamente della casualità della lettura e del rumore di shot (shot noise).
4. Avvertenza sulla Scalabilità: Gli autori riconoscono che, come altre tecniche QEM basate su matrici, il costo computazionale per costruire e invertire la matrice di mitigazione scala esponenzialmente con il numero di qubit, una sfida che dovrà essere affrontata in lavori futuri.

Gli autori concludono che la FCM-QEM è un candidato idoneo per la mitigazione degli errori di lettura sui dispositivi NISQ, in particolare per quelli con caratteristiche di lettura non ottimizzate, e può essere integrata nelle interfacce software tra le configurazioni hardware e i processori quantistici.