Sintesi Tecnica: Caratterizzazione tramite Reti Tensoriali e Mitigazione degli Errori di Lettura

Definizione del Problema

Gli errori di lettura rimangono una fonte dominante di rumore nei dispositivi quantistici a scala intermedia di epoca NISQ (near-term intermediate-scale quantum), distorcendo direttamente gli esiti delle misurazioni classiche e introducendo bias in compiti come la stima del valore di aspettazione, la tomografia e i benchmark di campionamento. Gli approcci standard di mitigazione dell'errore di lettura (REM) tipicamente caratterizzano una matrice di transizione classica $\Lambda$ che mappa le distribuzioni ideali su quelle rumorose. Tuttavia, la caratterizzazione completa di $\Lambda$ scala esponenzialmente con la dimensione del sistema ($2^N \times 2^N$). Per aggirare questo problema, i metodi esistenti spesso assumono processi di lettura a singolo qubit indipendenti (modelli non correlati). Questi modelli fattorizzati trascurano le correlazioni spaziali indotte dal crosstalk, linee di controllo condivise e meccanismi specifici dell'hardware. Tali correlazioni sono spesso non trascurabili nei dispositivi reali, particolarmente per osservabili non locali e compiti di campionamento su larga scala, limitando le prestazioni delle strategie di mitigazione non correlate.

Metodologia

Gli autori propongono un framework unificato basato su reti tensoriali che modella la matrice di errore di lettura $\Lambda$ come un Operatore Prodotto di Matrici (MPO). Questa rappresentazione cattura naturalmente le correlazioni locali e a corto raggio con complessità polinomiale.

1. Caratterizzazione tramite Apprendimento MPO

• Rappresentazione: La matrice di errore di lettura $\Lambda_{x,y}$ (probabilità dell'esito $x$ dato lo stato vero $y$) è rappresentata come $|\text{Tr}(M^{[1]}_{x_1,y_1} \cdots M^{[N]}_{x_N,y_N})|^2$, dove $M^{[k]}$ sono tensori locali con una dimensione di legame (bond dimension) $\chi$ finita. Ciò garantisce la positività degli elementi della matrice.
• Normalizzazione: A differenza delle Unità di Prodotto di Matrici (MPU), il modello MPO richiede solo che le somme per riga siano unitarie ($\sum_x \Lambda_{x,y} = 1$), una condizione più debole adatta a processi stocastici classici.
• Addestramento: I parametri MPO sono appresi direttamente dai dati di calibrazione (preparazione e misurazione di stati prodotto) utilizzando un'ottimizzazione basata sulla verosimiglianza (likelihood). La funzione di perdita minimizza il logaritmo negativo della verosimiglianza degli esiti osservati, aumentata da un termine di penalità per imporre il vincolo di normalizzazione. I gradienti sono calcolati efficientemente tramite contrazione di reti tensoriali.

2. Strategie di Mitigazione

Il framework integra il modello MPO appreso in varie attività di REM:

• Osservabili Non Locali: Il valore di aspettazione ideale $\langle O \rangle_{ideal}$ viene stimato contraendo l'osservabile (rappresentata come un MPS) con l'inversa della matrice di errore di lettura ($\Lambda^{-1}$). L'inversa è approssimata variazionalmente usando un MPO a singolo strato per minimizzare $\|\Lambda \Omega - I\|_F^2$.
• Campionamento Globale: Per recuperare campioni dalla distribuzione ideale $P_{ideal}$ partendo da campioni rumorosi, il metodo apprende un modello MPS per $P_{ideal}$ massimizzando la verosimiglianza dei dati rumorosi sotto la trasformazione $P_{noisy} = \Lambda P_{ideal}$.
• Misurazioni Casuali: Per compiti come le ombre classiche (classical shadows) e la tomografia basata sull'apprendimento (ad esempio, utilizzando Operatori di Densità Localmente Purificati, LPDO), il modello di errore di lettura è integrato direttamente nell'obiettivo di ottimizzazione. Invece di post-elaborare i campioni, la funzione di verosimiglianza viene modificata per sommare gli stati veri pesati dalla matrice di errore di lettura $\Lambda$.
• Correzione degli Errori Quantistici (QEC) Decoding: Per i codici di superficie 2D, il modello MPO è generalizzato in un Operatore di Coppia Entangled Proiettato (PEPO). Il modello di errore di lettura viene fuso localmente con il tensore della rete del decoder (PEPS) per eseguire un'inferenza congiunta sugli errori di dati e sugli errori di lettura, trattando efficacemente la lettura del sindrome come un input di informazione "soft" piuttosto che come bit a voto "hard".

Risultati Chiave

Validazione Sperimentale (Processore Superconduttore)

Gli esperimenti sono stati condotti sul chip quantistico superconduttore Baihua (piattaforma Quafu) utilizzando catene a 6 qubit.

• Cattura delle Correlazioni: Il modello MPO ($\chi=4$) ha superato costantemente il modello prodotto non correlato nella caratterizzazione della matrice di errore completa $\Lambda_{Full}$. Il modello MPO ha raggiunto una distanza relativa di $\approx 0.043$ dalla caratterizzazione completa, rispetto a $\approx 0.074$ del modello non correlato, dimostrando la sua capacità di catturare il rumore correlato trascurato dai modelli standard.
• Osservabili Non Locali: In esperimenti su stati cluster a 7 qubit, la REM basata su MPO ha migliorato significativamente la stima dei parametri d'ordine di stringa non locali, particolarmente per stringhe più lunghe dove gli errori sono più pronunciati.

Simulazioni Numeriche

• Scalabilità: Le simulazioni fino a $N=20$ qubit hanno mostrato che il costo campionario richiesto per apprendere il modello MPO scala quasi linearmente con la dimensione del sistema, un netto contrasto con il costo esponenziale della caratterizzazione completa.
• Campionamento Globale: Per il campionamento di circuiti casuali, il metodo ha migliorato la fedeltà del Cross-Entropy Benchmarking (XEB). Sebbene la generazione di nuovi campioni ideali richiedesse un MPS con una dimensione di legame in crescita esponenziale, il metodo ha inferito con successo la fedeltà XEB direttamente dai campioni rumorosi tramite contrazione tensoriale, eliminando il bias di lettura senza campionamento esplicito.
• Misurazioni Casuali: Nella stima delle ombre classiche e nella tomografia LPDO di uno stato di Gibbs del modello XY 1D, il metodo REM ha ridotto significativamente il bias nelle stime di magnetizzazione e ha migliorato la ricostruzione della matrice di densità rispetto ai metodi non mitigati.
• QEC Decoding: Le simulazioni su un codice di superficie ruotato con distanza $d=7$ hanno mostrato che il decoder fuso con PEPO ha ridotto significativamente il tasso di errore logico rispetto ai decoder standard, specialmente in regimi con alti tassi di inversione (flip) di lettura. Il metodo ha utilizzato efficacemente le informazioni "soft" da misurazioni ripetute, superando gli approcci a maggioranza di voto.

Significato e Rivendicazioni

Il documento stabilisce la mitigazione dell'errore di lettura tramite reti tensoriali come un approccio scalabile e versatile per l'elaborazione di dati quantistici sensibili al rumore. I suoi principali contributi sono:

1. Framework Unificato: Fornisce un unico formalismo MPO/PEPO che gestisce gli errori di lettura correlati attraverso diverse applicazioni, dagli osservabili locali al campionamento globale e al decoding QEC.
2. Efficienza: L'approccio evita l'overhead esponenziale della caratterizzazione completa dell'errore pur catturando le correlazioni che i modelli non correlati perdono. La complessità campionaria cresce quasi linearmente con la dimensione del sistema.
3. Praticità: I risultati sperimentali su hardware reale confermano che gli errori di lettura correlati sono significativi e che il modello MPO mitiga efficacemente tali errori.
4. Integrazione: Il framework è progettato per essere un elemento costruttivo che può essere integrato in algoritmi esistenti (come le ombre classiche e i decoder QEC) piuttosto che agire esclusivamente come un passaggio di post-elaborazione.

Gli autori concludono che questo metodo offre una strada promettente verso l'estrazione affidabile di informazioni fisiche sia da dispositivi NISQ che da futuri dispositivi tolleranti ai guasti, in particolare abilitando il trattamento del crosstalk di misurazione all'interno di un problema di inferenza unificato basato su reti tensoriali.