Sintesi Tecnica: Selezione dei Termini dell'Hamiltoniana per il Peso di Pauli per l'Ottimizzazione della Mitigazione degli Errori Quantistici Basata su Machine Learning

Definizione del Problema

Nell'era NISQ (Noisy Intermediate-Scale Quantum), la mitigazione degli errori quantistici (QEM) è essenziale per sopprimere i bias indotti dal rumore negli algoritmi computazionali. Sebbene i metodi di QEM basati sull'apprendimento, come la mitigazione degli errori basata su Random Forest (RF-QEM), offrano un'alternativa scalabile alle tecniche tradizionali come l'Estrapolazione dello Zero-Rumore (ZNE) e la Cancellazione dell'Errore Probabilistico (PEC) evitando l'overhead aggiuntivo dei circuiti, essi affrontano un collo di bottiglia critico: la selezione degli osservabili.

Gli approveri attuali si basano tipicamente su campionamenti euristici o casuali uniformi delle stringhe di Pauli dall'Hamiltoniana per costruire i dataset di addestramento. Questo processo richiede dati per ogni stringa di Pauli, portando a un costo di misurazione che scala linearmente con il numero di termini ($N$) e cresce con la dimensione del sistema. Fondamentalmente, non tutti gli osservabili contribuiscono equamente all'informazione statistica necessaria per l'addestramento. L'inclusione di osservabili poco informativi degrada l'efficienza dell'apprendimento, mentre l'esclusione di quelli altamente informativi compromette le prestazioni del modello. Attualmente non esiste una strategia sistematica per identificare il sottoinsieme ottimale di osservabili che massimizzi l'accuratezza della mitigazione minimizzando al contempo i requisiti di risorse.

Metodologia: Framework Pi-QEM

Gli autori introducono la Mitigazione degli Errori Quantistici per Peso di Pauli (Pi-QEM), un framework sistematico progettato per selezionare gli osservabili di addestramento in base al loro "peso di Pauli" (il numero di operatori a singolo qubit non identità in una stringa di Pauli). La metodologia procede come segue:

1. Fondamento Teorico: Il framework sfrutta la relazione tra la varianza del valore di aspettazione di un osservabile attraverso lo spazio dei parametri del Circuito Quantistico Parametrizzato (PQC) e il fenomeno dei barren plateaus (plateau sterili).

   • La varianza, $\text{Var}_\Theta[f(\hat{P}_k)]$, funge da metrica per l'espressività statistica dei dati di addestramento.
   • L'analisi teorica indica che gli osservabili globali (alto peso di Pauli) soffrono di una varianza esponenzialmente soppressa a causa della concentrazione del costo, rendendoli poco informativi.
   • Al contrario, gli osservabili locali (basso peso di Pauli) mantengono una varianza significativa, fornendo segnali di addestramento forti.

2. Criterio di Selezione: Invece di calcolare esplicitamente la varianza per ogni termine (il che sarebbe computazionalmente costoso), Pi-QEM approssima la selezione basata sulla varianza utilizzando il peso di Pauli come proxy della località.

   • Il sottoinsieme di addestramento $P_{sub}$ è definito come $\{P_k \in P \mid w(P_k) \leq w_{max}\}$, dove $w(P_k)$ è il peso di Pauli.
   • Ciò riduce la complessità del dataset da $O(MN)$a$O(M|P_{sub}|)$, dove $|P_{sub}| \ll N$.

3. Modello di Machine Learning:

   • Un modello di Regressione Random Forest viene addestrato per apprendere la mappatura non lineare tra i valori di aspettativa rumorosi ($f_E$) e i valori ideali privi di errore ($f_{ef}$).
   • Il vettore delle caratteristiche di input include l'esito della misurazione rumorosa, i parametri del PQC ($\theta$) e la rappresentazione della stringa di Pauli.
   • Il modello è addestrato su un dataset ridotto contenente solo gli osservabili a basso peso selezionati, ma è in grado di predire i valori mitigati per l'intero Hamiltoniana.

4. Implementazione: Il framework è stato testato sulla molecola di Idrogeno ($H_2$) utilizzando le mappature fermion-to-qubit Jordan-Wigner (JW) e Bravyi-Kitaev (BK). Le simulazioni sono state condotte su un emulatore di backend quantistico IBM rumoroso (ibm_fake_athens).

Risultati Chiave

Le simulazioni numeriche sulla molecola $H_2$ hanno prodotto i seguenti risultati:

• Prestazioni con Dati Minimi: Un modello Pi-QEM addestrato su un singolo osservabile locale dominante (specificamente $ZIII$, un termine di peso 1) ha ottenuto una riduzione del 34,01% dell'errore di stima dell'energia dello stato fondamentale rispetto al baseline rumoroso.
• Confronto con l'Addestramento sull'Hamiltoniana Completa: Questa prestazione è comparabile al modello RF-QEM standard addestrato su tutte le 15 stringhe di Pauli dell'Hamiltoniana completa, che ha ottenuto una riduzione dell'errore del 37,13%.
• Fallimento degli Osservabili Globali: I modelli addestrati su osservabili globali ad alto peso (ad esempio, $XXXX$, peso 4) hanno causato un degrado delle prestazioni del 22,90% rispetto al baseline Pi-QEM, confermando che i termini ad alto peso forniscono una struttura statistica insufficiente per l'apprendimento.
• Generalizzazione: La tendenza è rimasta costante attraverso diverse cardinalità delle feature (sottoinsiemi duali e tripli) e schemi di mappatura (JW e BK). I sottoinsiemi composti da osservabili a peso inferiore hanno costantemente prodotto un Errore Assoluto Medio (MAE) più basso rispetto a quelli contenenti termini a peso maggiore.
• Efficienza: L'approccio Pi-QEM ha ridotto con successo le risorse di addestramento necessarie mantenendo un'accuratezza comparabile a ZNE e al RF-QEM a set completo, senza l'overhead di circuit-folding associato a ZNE.

Significato e Rivendicazioni

Il documento afferma che Pi-QEM fornisce un percorso sistematico, scalabile ed efficiente nelle risorse per una mitigazione degli errori ad alta precisione sui dispositivi NISQ. I suoi principali contributi sono:

1. Collegare Teoria e Pratica: Stabilisce un legame diretto tra il fenomeno dei barren plateau (soppressione della varianza) e la selezione pratica degli osservabili di addestramento, giustificando l'uso del peso di Pauli come criterio di selezione.
2. Scalabilità: Dimostrando che un piccolo sottoinsieme di osservabili a basso peso è sufficiente per catturare la struttura del rumore sottostante dell'intero Hamiltoniana, il metodo affronta il collo di bottiglia della scalabilità degli attuali metodi di QEM basati sull'apprendimento.
3. Ottimizzazione dei Dati di Addestramento: Il framework prova che "più dati" (tutti i termini di Pauli) non sono necessariamente migliori; piuttosto, "dati migliori" (termini a basso peso e statisticamente informativi) sono critici per una mitigazione basata sull'apprendimento efficace.

Gli autori concludono che allineare le strategie di machine learning con le proprietà geometriche dei paesaggi di ottimizzazione quantistica — specificamente la varianza dipendente dalla località degli osservabili — è essenziale per far avanzare la mitigazione degli errori negli algoritmi quantistici del periodo attuale.