Multi-Layer Cycle Benchmarking for high-accuracy error characterization

Problematica
Una caratterizzazione accurata del rumore è un prerequisito per un calcolo quantistico affidabile e per l'impiego efficace di tecniche di mitigazione degli errori basate sulla consapevolezza del rumore. Sebbene i modelli di rumore di Pauli siano un modo efficace per descrivere i processi di errore in modo scalabile con un numero gestibile di parametri, essi soffrono di un limite fondamentale: la "imparabilità" (learnability) degli autovalori di Pauli. Come dimostrato in lavori precedenti (ad es. Rif. [22]), la libertà di gauge introduce ambiguità che impediscono la determinazione indipendente di certi parametri dei canali di Pauli a partire dagli errori di preparazione dello stato e di misura (SPAM). Nello specifico, per un insieme di gate Clifford, il numero di gradi di libertà (DOF) di rumore non imparabili scala esponenzialmente con il numero di qubit. I protocolli standard di Cycle Benchmarking (CB) possono determinare tutti i DOF imparabili con alta precisione e robustezza rispetto a SPAM, ma lasciano una frazione significativa di parametri da stimare tramite metodi a "bassa accuratezza" (ad es. assunzioni di simmetria o circuiti a profondità unitaria). Queste quantità non imparabili, in particolare nei modelli scalabili come il modello Sparse Pauli-Lindblad (SPL), possono costituire una frazione non trascurabile del totale dei parametri (avvicinandosi al ~4,8% in grandi sistemi a topologia quadrata), degradando così la precisione della caratterizzazione del rumore e l'efficacia delle strategie di mitigazione dell'errore come la Cancellazione dell'Errore Probabilistica (PEC).

Metodologia: Multi-Layer Cycle Benchmarking (MLCB)
Gli autori introducono il Multi-Layer Cycle Benchmarking (MLCB), un protocollo di caratterizzazione potenziato progettato per aumentare il numero di DOF imparabili attraverso l'analisi congiunta di più strati di gate Clifford. A differenza del CB standard, che caratterizza ogni strato isolatamente, l'MLCB costruisce circuiti in cui il "blocco costruttivo" ripetuto $d$ volte consiste in una combinazione di strati distinti (ad es. strati Blue e Green alternati) piuttosto che in un singolo strato.

Il protocollo opera come segue:

1. Orbite Multi-Strato: L'MLCB definisce un' "orbita multi-strato" per una coppia di strati $L_1, L_2$. Applicando la sequenza di strati e misurando il valore di aspettativa di un operatore di Pauli, il protocollo misura prodotti di autovalori di Pauli provenienti da diversi strati (ad es. $f^{L_1}_{\alpha} f^{L_2}_{\beta}$) con alta precisione e robustezza rispetto a SPAM.
2. Sblocco dei DOF Imparabili: Nel contesto del modello SPL, che assume che il rumore sia generato da Lindbladiani locali, gli autori dimostrano che questi prodotti tra strati forniscono vincoli sui rapporti di autovalori di Pauli di peso uno non imparabili. Ad esempio, in un sistema di gate CZ paralleli, l'MLCB può determinare il rapporto tra autovalori non imparabili associati ad adiacenti qubit in strati diversi.
3. Scalabilità: Il metodo viene applicato a una QPU a topologia quadrata con quattro strati densi di gate CZ paralleli. Analizzando coppie di strati (Blue-Green, Green-Red, ecc.), l'MLCB impone vincoli ad alta accuratezza che riducono il numero di DOF non imparabili da $\sim 4n$ a $\sim n$ in sistemi grandi, riducendo efficacementamente la frazione di non imparabilità del 75%.

Contributi Chiave

• Sviluppo del Protocollo: La formulazione dell'MLCB, che sfrutta i vincoli intrinseci nei modelli di rumore efficaci per estrarre informazioni da circuiti multi-strato che sono inaccessibili al CB a singolo strato.
• Analisi Teorica: Una derivazione sistematica che mostra come l'MLCB sblocchi specifici DOF sia in catene aperte che chiuse di qubit, provando che può determinare i rapporti tra autovalori non imparabili per combinazioni arbitrarie di strati Clifford.
• Validazione Sperimentale: Implementazione dell'MLCB sul processore superconduttore a 20 qubit IQM Garnet™. L'esperimento ha misurato con successo le differenze tra i prodotti di autovalori di Pauli che erano statisticamente incompatibili con lo zero, refutando sperimentalmente la comune assunzione che gli autovalori non imparabili siano simmetrici o uguali ai loro coniugati.
• Simulazione Numerica: Dimostrazione che l'integrazione dei dati MLCB nel fitting dei modelli di rumore SPL riduce significativamente l'errore di ricostruzione (misurato come distanza $L_1$) rispetto all'uso di sola la tecnica CB e metodi di stima a bassa accuratezza.

Risultati

• Riduzione dei DOF Imparabili: In scenari realistici che coinvolgono strati CZ densi su una topologia quadrata, l'MLCB riduce il numero di gradi di libertà di rumore non imparabili fino al 75%.
• Evidenza Sperimentale: Sul processore IQM Garnet™, le differenze misurate tra i prodotti di autovalori cross-layer sono state costantemente non nulle (con significatività statistica fino a ~99,5%), confermando che le assunzioni di simmetria spesso usate per stimare i parametri non imparabili sono violate nell'hardware reale.
• Miglioramento della Precisione di Caratterizzazione: Le simulazioni numeriche su sistemi a 20 qubit mostrano che l'utilizzo dei dati MLCB porta a una ricostruzione più accurata del modello di rumore sottostante. Il rapporto tra gli errori di ricostruzione ($r = \Delta_{MLCB} / \Delta_{CB}$) è stato costantemente inferiore a 1, cadendo spesso nell'intervallo tra 0,5 e 0,8, indicando un miglioramento sostanziale della fedeltà del modello.
• Mitigazione dell'Errore Potenziata: La migliore caratterizzazione del rumore si traduce direttamente in una migliore performance della Cancellazione dell'Errore Probabilistica (PEC). Le simulazioni hanno mostrato che l'uso di modelli caratterizzati tramite MLCB ha ridotto la deviazione standard del bias della PEC di quasi tre volte rispetto ai metodi di caratterizzazione convenzionali.

Significatività
Il lavoro posiziona l'MLCB come uno strumento scalabile, pratico e efficiente dal punto di vista delle risorse per una precisa caratterizzazione del rumore. Riducendo significativamente la dipendenza da metodi di stima a bassa accuratezza per i parametri non imparabili, l'MLCB consente modelli di rumore effettivi più accurati. Ciò, a sua volta, potenzia le prestazioni delle tecniche di mitigazione dell'errore basate sulla consapevolezza del rumore, che sono critiche per raggiungere un calcolo quantistico affidabile su dispositivi near-term. Gli autori sottolineano che, sebbene l'MLCB affronti il collo di bottiglia specifico della limitata imparabilità, esso opera nel contesto più ampio di imperfezioni sperimentali (come il drift temporale), e la sua implementazione richiede un overhead minimo (circa il 7% di esecuzioni di circuiti aggiuntive) per ottenere una riduzione del 75% dei DOF non imparabili. Il lavoro completa i framework teorici per l'imparabilità del rumore di Pauli fornendo un metodo operativo concreto per QPU 2D con topologie quadrate.