Shallow randomized measurement in noisy quantum devices

Titolo: Misurazione Casuale Superficiale in Dispositivi Quantistici Rumorosi
Autori: Gyungmin Cho e Dohun Kim (Seoul National University)

Problematica

Sebbene l'hardware quantistico stia migliorando, i dispositivi attuali rimangono limitati dal rumore e da una profondità di circuito limitata. I protocolli standard per apprendere le proprietà degli stati quantistici, come le ombre classiche (classical shadows), affrontano un compromesso: le Misurazioni Pauli Casuali (RPM) sono sperimentalmente semplici ma inefficienti per osservabili a basso rango, mentre le Misurazioni Clifford Casuali (RCM) sono efficienti per osservabili a basso rango ma richiedono circuiti profondi ($O(n)$) che sono impraticabili sui correnti dispositivi NISQ (Noisy Intermediate-Scale Quantum). Gli esistenti approcci di "ombra superficiale" (shallow shadow), basati principalmente su circuiti a mattoni (brickwork), offrono un punto di incontro ma spesso mancano di espressioni in forma chiusa per il canale dell'ombra e la sua inversa, complicando il post-processing e l'estensione ad altri protocolli avanzati come la derandomizzazione o la mitigazione dell'errore. Inoltre, i vantaggi sistematici delle misurazioni superficiali attraverso diverse attività di apprendimento (oltre a specifiche applicazioni) e la loro robustezza al rumore sperimentale richiedono un'ulteriore validazione teorica e sperimentale.

Metodologia

Gli autori sviluppano un quadro teorico unificato basato su ensemble di misurazioni Clifford, concentrandosi specificamente sulle ombre a blocchi (block shadows). In questo approccio, il sistema a $n$ qubit viene partizionato in blocchi di dimensione $k$, e vengono applicate unità Clifford indipendenti e casuali da $Cl(k)$ a ciascun blocco. Questa struttura permette:

1. Formule Analitiche Esplicite: Derivazione di espressioni in forma chiusa per il canale dell'ombra, la sua inversa e i momenti necessari per l'analisi della varianza, evitando le approssimazioni numeriche spesso necessarie per i circuiti a mattoni.
2. Integrazione di Protocolli Avanzati: Il framework incorpora la derandomizzazione, i protocolli multi-shot (riutilizzo delle basi di misurazione), le misurazioni casuali comuni (CRM) con stati di bias e stimatori mitigati dall'errore.
3. Modellazione del Rumore: Analisi teorica dei modelli di rumore (per livello e post-unitario) assumendo che il twirling di Pauli converta gli errori in canali di Pauli, consentendo la costruzione di stimatori mitigati dall'errore utilizzando il canale dell'ombra rumoroso.
4. Validazione Sperimentale: Implementazione su hardware quantistico IBM (fino a 40 qubit, 46 livelli di gate a due qubit) per testare le ombre a blocchi derandomizzate, le misurazioni casuali comuni con mitigazione dell'errore e l'apprendimento automatico potenziato dall'entanglement.

Contributi Chiave e Risultati

1. Framework Teorico e Derandomizzazione

• Gli autori combinano la derandomizzazione con le misurazioni superficiali, ottenendo basi di misurazione deterministiche i cui limiti di confidenza non sono superiori alla media casuale.
• Risultato: Esperimenti numerici e hardware sul modello Cluster-Heisenberg mostrano che le ombre a blocchi derandomizzate richiedono meno misurazioni rispetto alla derandomizzazione a singolo qubit per stimare l'incertezza dell'energia, anche in presenza di rumore hardware.

2. Complessità di Campionamento e Scalabilità nel Caso Tipico

• Il documento stabilisce che per le ombre a blocchi con $k2^k = \Omega(n)$, la norma dell'ombra di osservabili con norma di Schatten 2 limitata è costante nei casi tipici.
• Osservabili Dipendenti dallo Stato: A differenza delle analisi su osservabili fissi, il framework gestisce configurazioni correlate (ad esempio, la verifica dello stato dove l'osservabile è lo stato stesso). Gli autori dimostrano che, nel regime del caso tipico, le ombre a blocchi raggiungono la stessa scalabilità delle misurazioni Clifford casuali globali.
• Stima della Purezza: Viene costruito uno stimatore di purezza multi-shot. I limiti teorici indicano che, per stati tipici, la complessità di campionamento scala in modo simile alle RCM, con il termine $V_2/NS$ che può essere soppresso riutilizzando le basi di misurazione.

3. Misurazioni Casuali Comuni (CRM) e Mitigazione dell'Errore

• Il framework estende le CRM alle ombre superficiali, permettendo l'uso di uno stato di bias $\sigma$ (che approssima $\rho$) per ridurre la varianza.
• Mitigazione dell'Errore: Gli autori estendono le tecniche di ombra robuste alle ombre a blocchi. Esperimenti su 4 0 qubit dimostrano che la mitigazione dell'errore migliora significativamente l'accuratezza delle CRM, anche quando lo stato di bias è meno accurato (dimensione di legame inferiore).

4. Apprendimento Automatico Potenziato dall'Entanglement

• Lo studio investiga se i modelli di machine learning (ML) classico addestrati su dati provenienti da misurazioni superficiali con entanglement superino quelli addestrati su dati a singolo qubit.
• Risultato: Utilizzando la Kernel PCA su dati del modello Su–Schrieffer–Heeger (SSH), gli autori mostrano che le misurazioni a blocchi di due qubit ($k=2$) producono una firma di transizione di fase più netta vicino al punto critico ($w=1$) rispetto alle misurazioni a singolo qubit ($k=1$). La derivata della funzione di fitting raggiunge il picco a $w \approx 1.026$, coerentemente con il punto di transizione teorico.

5. Efficienza del Post-Processing

• Grazie alla struttura prodotto tensoriale delle ombre a blocchi, l'inversa del canale dell'ombra è esatta e computabile in forma chiusa. Ciò contrasta con le ombre a mattoni, che spesso richiedono approssimazioni tramite reti tensoriali o ottimizzazione numerica, offrendo un vantaggio distinto nell'efficienza del post-processing.

Significatività e Rivendicazioni

Il documento afferma che le misurazioni a profondità superficiale, specificamente tramite il framework delle ombre a blocchi, forniscono benefici pratici sui dispositivi quantistici rumorosi.

• Robustezza: I vantaggi delle misurazioni superficiali persistono nonostante il rumore sperimentale, come validato dagli esperimenti hardware.
• Versatilità: Il framework unifica varie varianti delle ombre classiche (derandomizzate, multi-shot, CRM, mitigate dall'errore) sotto un unico ombrello teorico basato sugli ensemble di Clifford.
• Scalabilità: Utilizzando circuiti a profondità logaritmica ($O(\log n)$), l'approccio colma il divario tra le semplici misurazioni locali e le misurazioni Clifford globali, consentendo lo studio di stati quantistici complessi e quantità fisiche su l'attuale hardware NISQ.
• Vantaggio ML: I risultati suggeriscono che le misurazioni con entanglement possono migliorare la rappresentazione classica dei dati sperimentali quantistici per i compiti di machine learning, potenzialmente riducendo il numero di esperimenti necessari per apprendere le proprietà dello stato fondamentale o rilevare transizioni di fase.

Gli autori mantengono una posizione modesta, notando che i loro risultati nel caso tipico non implicano garanzie nel caso peggiore (citando specifici controesempi di prodotto a blocchi dove la scalabilità è sfavorevole) e che l'approccio è più efficace per sistemi in cui le correlazioni locali sono significative o dove sono disponibili stati di bias.