Characterization of Unlearnable Noise with Mid-Circuit-Measurement-Based Cycle Benchmarking

Sintesi Tecnica: Caratterizzazione del Rumore Inapprendibile tramite il Cycle Benchmarking basato su Misurazioni a Metà Circuito

Problematica
La caratterizzazione del rumore quantistico è un collo di bottiglia critico per la mitigazione degli errori e la validazione dei protocolli di correzione degli errori quantistici (QEC). Il Cycle Benchmarking (CB) standard isola efficacemente gli errori di Preparazione dello Stato e Misurazione (SPAM) e caratterizza i canali di Pauli amplificando gli errori di gate attraverso cicli ripetuti. Tuttavia, il CB affronta un limite fondamentale quando applicato a gate di Clifford generici a $n$ qubit: i grafi di trasferimento di Pauli indotti spesso contengono parametri di errore accoppiati. I gate di Clifford possono indurre cicli irriducibili di propagazione di Pauli dove diverse fedeltà di Pauli sono accoppiate (ad es. $\lambda_{P_\alpha}\lambda_{P_\beta}$), rendendo le singole fedeltà "inapprendibili" a causa dei gradi di libertà di gauge. Il CB standard non può risolvere questi parametri accoppiati, e il numero di gradi di libertà inapprendibili cresce esponenzialmente con il numero di qubit. Inoltre, il CB standard assume dinamiche di rumore Markoviane, una condizione che potrebbe non valere nei dispositivi reali, eppure i protocolli standard mancano degli strumenti per diagnosticare deviazioni non Markoviane.

Metodologia
Gli autori propongono il Generalized Cycle Benchmarking (GCB), un framework che integra le Misurazioni a Metà Circuito (MCM) come primitive tomografiche attive per risolvere il rumore inapprendibile. La metodologia si basa su tre pilastri teorici e algoritmici fondamentali:

1. Discrepanza del Peso di Pauli e Feed-Forward Differito: Gli autori definiscono la discrepanza del peso di Pauli $\delta(P_\alpha, P_\beta)$ come la differenza bit a bit tra il supporto degli operatori di Pauli di input e di output sotto un gate di Clifford $G$. Nel CB standard, se $\delta \neq 0$, la fedeltà è inapprendibile. Il protocollo GCB inserisce MCM nelle posizioni dei qubit specificate da $\delta(P_\alpha, P_\beta)$. Utilizzando il Principio del Feed-Forward Differito, il protocollo dimostra che le operazioni di feed-forward classico (flip di bit condizionali basati sugli esiti delle MCM) possono essere implementate interamente nel post-processing classico. Ciò consente alle MCM di "resettare" efficacementamente l'operatore di Pauli al suo stato iniziale, rompendo il ciclo indotto dal Clifford e disaccoppiando i parametri di rumore senza richiedere un controllo quantistico in tempo reale.

2. Strumenti Stocastici Uniformi (USI) e Condizioni di Apprendibilità: Il framework modella le MCM rumorose come Strumenti Stocastici Uniformi.

   • Apprendimento Esatto (Teorema 3): Se le MCM forniscono proiezioni ad alta fedeltà sugli stati $|0\rangle$ e $|1\rangle$ (specificamente, non si verificano errori quantistici post-proiezione), tutte le fedeltà di Pauli della MCM e del gate di Clifford intercalato sono esattamente apprendibili. Fondamentalmente, gli errori di assegnazione della lettura classica non influenzano l'apprendibilità poiché non accoppiano i parametri di rumore quantistico.
   • Apprendimento Approssimativo (Teorema 4): In scenari in cui solo la preparazione dello stato $|0\rangle$ è affidabile (comune nei dispositivi superconduttori), gli autori mostrano che le coppie inapprendibili possono comunque essere approssimate. Effettuando la post-selezione sull'esito $|0\rangle$ e utilizzando una decomposizione media geometrico-aritmetica, il protocollo può isolare le singole fedeltà dal prodotto accoppiato, a condizione che la differenza di rumore sia sufficientemente pronunciata.

3. Analisi Binomiale per la Non-Markovianità: Il protocollo introduce uno strumento diagnostico basato sulla statistica delle "variabili di flip" (cambiamenti in misurazioni MCM consecutive). Sotto l'assunto di rumore Markoviano separabile, queste statistiche di flip seguono una distribuzione binomiale pulita. Le deviazioni da questa distribuzione fungono da firma diretta e quantitativa di dinamiche non Markoviane (ad es. effetti di memoria o leakage), che sono invisibili al CB standard che collassa tutte le informazioni in una singola misurazione finale.

Contributi Chiave

• Risoluzione del Rumore Inapprendibile: Il lavoro fornisce un metodo sistematico per rompere i cicli di Pauli in gate di Clifford generici a $n$ qubit. Il costo per rompere un ciclo è quantificato dal peso di Hamming della discrepanza del peso di Pauli, specificando il numero minimo di MCM richiesto.
• Robustezza SPAM con MCM: Il framework raggiunge una parziale immunità SPAM per le componenti di rumore inapprendibili, una capacità precedentemente limitata ai semplici canali di Pauli.
• Caratterizzazione Unificata del Rumore: Gli autori dimostrano che le MCM con feed-forward classico possono essere trattate come gate di Clifford all'interno del framework di apprendimento coerente del rumore di Pauli (Gate Set Tomography), consentendo una caratterizzazione auto-coerente anche quando la qualità della proiezione è imperfetta.
• Diagnostica Non-Markoviana: Il lavoro stabilisce un metodo per rilevare e caratterizzare il rumore non Markoviano (specificamente la memoria indotta da leakage e le asimmetrie di lettura), definendo il regime operativo in cui il modello di rumore di Pauli è valido.

Risultati Sperimentali e Numerici
Gli autori validano il framework attraverso simulazioni numeriche ed esperimenti su processori quantistici superconduttori IBM (ibm-aachen e ibm-pittsburgh).

• Simulazioni Numeriche: Le simulazioni su gate CNOT e scale di CNOT a 3 qubit dimostrano la fattibilità dell'estrazione di coppie di rumore inapprendibili (ad es., $\{ \lambda_{0z}, \lambda_{zz} \}$) e mostrano che il protocollo scala efficacemente, in particolare sfruttando modelli di rumore locale per ridurre l'overhead delle MCM.
• Validazione Sperimentale:
  • Rumore Inapprendibile: Su entrambi i dispositivi, il protocollo GCB ha estratto con successo le fedeltà di Pauli inapprendibili per i gate CNOT. I risultati sono stati confrontati con i limiti fisici CPTP (Completamente Positivo Trace-Preserving) e con la tomografia convenzionale. I risultati GCB si sono dimostrati entro i limiti CPTP e spesso più vicini ai limiti fisici rispetto alla tomografia convenzionale, dimostrando una precisione superiore nel disambiguare il rumore accoppiato.
  • Segnature Non-Markoviane: L'analisi binomiale delle letture MCM ha rivelato due distinte segnature non Markoviane:
    1. Un bias statistico "a zig-zag" che favorisce conteggi di flip pari, attribuito agli errori di assegnazione della lettura classica.
    2. Una coda esponenziale nella distribuzione dei flip per alti conteggi di flip, attribuita alla memoria indotta dal leakage (correlazioni non Markoviane). Gli autori hanno modellato questa coda per estrarre un tasso di decadimento $\lambda_d$, quantificando la durata della memoria.

Significato e Rivendicazioni
Il documento sostiene che le Misurazioni a Metà Circuito non sono solo strumenti diagnostici passivi, ma risorse attive per la caratterizzazione del rumore. La significatività di questo lavoro risiede nel fatto che:

1. Supera i Limiti Fondamentali: Risolve i gradi di libertà "inapprendibili" nel rumore dei gate di Clifford che hanno limitato la scalabilità dei protocolli di caratterizzazione del rumore.
2. Indipendenza dall'Hardware: Sebbene dimostrato su dispositivi superconduttori, il framework è indipendente dall'hardware ed è applicabile a qualsiasi piattaforma che supporti MCM e feed-forward classico.
3. Capacità Diagnostica: Fornisce un nuovo metodo per rilevare e caratterizzare le dinamiche non Markoviane, definendo il regime operativo in cui il modello di rumore di Pauli è valido.
4. Utilità Pratica: Gli autori dimostrano che le MCM superconduttrici all'avanguardia possiedono una qualità di proiezione sufficiente per abilitare un apprendimento del rumore fisicamente coerente con parziale immunità SPAM, aprendo la strada alla caratterizzazione di gate di Clifford più grandi e all'avanzamento delle strategie di mitigazione degli errori.

Il documento conclude che questo framework estende la portata del Cycle Benchmarking oltre i set di gate di Clifford unitari verso la classe più ampia di circuiti dinamici disponibili nei moderni processori quantistici.