Error-mitigation aware benchmarking strategy for quantum optimization problems

Riepilogo Tecnico: Strategia di Benchmarking Consapevole della Mitigazione dell'Errore per Problemi di Ottimizzazione Quantistica

Enunciato del Problema
Valutare se i dispositivi quantistici a scala intermedia rumorosa (NISQ) possano dimostrare il vantaggio quantistico per compiti di ottimizzazione è critico, particolarmente per problemi in cui la verifica classica è intrattabile. Sebbene siano emersi framework di benchmarking dell'entropia come strumenti rigorosi per collegare l'entropia fisica alla degradazione delle prestazioni, essi presentano limitazioni significative in contesti sperimentali realistici. Nello specifico, i metodi esistenti non tengono conto della statistica a numero finito di campionamenti (finite-shot statistics) o della Mitigazione dell'Errore Quantistico (QEM). Le tecniche QEM, come la Cancellazione Probabilistica dell'Errore (PEC), riducono il bias di stima scambiandolo con un aumento dell'overhead di campionamento (negatività). Di conseguenza, l'entropia dello stato fisico non riflette più accuratamente la qualità della stima mitigata dall'errore, rendendo le curve deterministiche entropia-energia insufficienti per caratterizzare le prestazioni end-to-end di computazioni statistiche e mitigate dall'errore. Inoltre, vi è una mancanza di criteri quantitativi a livello di task per determinare se l'applicazione della QEM migliori o comprometta effettivamente il vantaggio quantistico sotto un budget fisso di campionamenti (shots).

Metodologia
Gli autori propongono un framework di benchmarking che incorpora esplicitamente la statistica a numero finito di campionamenti e l'overhead di risorse indotto dalla QEM. Il nucleo della metodologia consiste nel ridefinire il "vantaggio quantistico" non come un valore energetico deterministico, ma come la fiducia (probabilità di successo) che un'energia stimata ricada entro un intervallo certificato classicamente $[E_-, E_+]$, dove $E_-$ ed $E_+$ sono i limiti inferiori e superiori più stretti noti per l'energia dello stato fondamentale reale $E_0$.

I componenti metodologici chiave includono:

1. Modellazione Statistica: Il framework assume che la distribuzione dell'energia prodotta dalla PEC segua una distribuzione normale $N(E_0, \sigma^2)$ centrata sul vero stato fondamentale. La varianza $\sigma^2$ è legata all'overhead di campionamento (negatività $\gamma$) e al numero di campionamenti ($N_{shots}$) tramite la relazione $N_{shots} \propto \gamma^2 / \sigma^2$.
2. Formulazione della Probabilità di Successo: La probabilità di successo $P_{success}$ è calcolata come la massa di probabilità della distribuzione dell'energia stimata che ricade nell'intervallo $[E_-, E_+]$. Per la PEC, questo viene derivato utilizzando la funzione errore basata sulla negatività totale $\gamma_{tot}$ e sul budget di campionamenti.
3. Approssimazione per $E_0$ Sconosciuto: Poiché $E_0$ è sconosciuto nell'applicazione target, gli autori introducono una probabilità di successo proxy $\tilde{P}_{success}$ assumendo che la media della distribuzione mitigata dall'errore sia il punto medio dei limiti classici, $(E_- + E_+)/2$.
4. Confronto con Risultati Raw (Non Mitigati): Il framework calcola anche la probabilità di successo per misurazioni non mitigate (raw). In questo caso, la distribuzione è polarizzata (bias) ($E_{noisy} \neq E_0$) ma presenta una varianza inferiore. La probabilità di successo per i dati raw dipende sia dalla varianza che dallo spostamento della media causato dal rumore.
5. Caso di Studio: Il framework viene applicato alla stima dell'energia dello stato fondamentale del modello di Fermi-Hubbard 2D su un reticolo $8 \times 8$ ($L=64$ siti, $n=128$ qubit) utilizzando un circuito Hamiltonian Variational Ansatz (HVA) di profondità $D=64$ sotto rumore depolarizzante globale.

Risultati Chiave
Attraverso studi numerici di prova di principio, gli autori dimostrano che il framework partiziona efficacemente lo spazio dei parametri del livello di rumore ($P$) e del numero di campionamenti ($N_{shots}$) in tre regimi distinti:

• Regime Raw: In ambienti a basso rumore con campionamenti sufficienti, la strategia raw (non mitigata) produce una probabilità di successo superiore rispetto alla PEC. In questo scenario, l'overhead di campionamento della PEC è superfluo e il bias nei dati raw è trascurabile.
• Regime PEC: All'aumentare del rumore, il bias nei dati raw sposta la media al di fuori dell'intervallo di successo, riducendo la sua probabilità di successo. Al contrario, la PEC mantiene la media a $E_0$ ma aumenta la varianza. In un regime di rumore intermedio, la PEC fornisce una probabilità di successo superiore rispetto al campionamento raw, rendendola la strategia vantaggiosa.
• Regime None (Nessuno): Per livelli di rumore elevati o budget di campionamento estremamente bassi, nessuna delle due strategie raggiunge la soglia di successo definita (fissata a 0,95 nello studio). In queste regioni, il vantaggio quantistico non è garantito indipendentemente dalla strategia di mitigazione.

Lo studio rivela che la transizione tra questi regimi è non banale. Ad esempio, nella strategia raw, aumentare il numero di campionamenti oltre una certa soglia di rumore può paradossalmente diminuire la probabilità di successo perché la distribuzione diventa più concentrata attorno a una media polarizzata che si trova al di fuori dell'intervallo target.

Significatività e Rivendicazioni
L'articolo sostiene di fornire un criterio a livello di task per valutare il potenziale vantaggio quantistico pratico nell'ottimizzazione su hardware vicino al futuro. La sua importanza primaria risiede nel:

• Andare oltre le metriche deterministiche: Sposta il paradigma di benchmarking dalle mappature deterministiche entropia-energia alla valutazione statistica degli intervalli di confidenza, essenziale per esperimenti con campionamenti finiti e mitigati dall'errore.
• Processo decisionale operativo: Il framework offre agli utenti finali uno strumento numerico leggero per determinare quando implementare la QEM. Identifica specifiche "zone Goldilocks" in cui il rumore dell'hardware e i budget di campionamento disponibili si allineano in modo tale che la PEC migliori significativamente le prospettive di raggiungere il vantaggio quantistico.
• Vincoli Realistici: Modellando esplicitamente il compromesso tra riduzione del bias e overhead di campionamento, il framework affronta i limiti pratici dell'attuale hardware quantistico, contrastando con i precedenti risultati negativi riguardanti la scalabilità della PEC.

Gli autori mantengono la modestia riguardo alle loro affermazioni, notando che la loro analisi si basa su assunzioni specifiche (ad esempio, distribuzioni gaussiane, caratterizzazione perfetta del rumore) e su un'istanza specifica di Hamiltoniana. Suggeriscono che, sebbene il framework sia stato dimostrato sul modello di Fermi-Hubbard, esso è applicabile ad altre Hamiltoniane di reticolo con limiti classici disponibili e può essere esteso ad altri protocolli di QEM.