Decision Kernels for Quantum Error Mitigation: Why Accuracy Gains Need Not Improve Downstream Decisions

Sintesi Tecnica: Kernel di Decisione per la Mitigazione dell'Errore Quantistico

Enunciato del Problema
I benchmark attuali per la Mitigazione dell'Errore Quantistico (QEM) si basano prevalentemente sull'accuratezza dei valori di aspettazione, tipicamente misurata tramite l'Errore Quadratico Medio (MSE) o la Radice dell'Errore Quadratico Medio (RMSE) nello spazio ambiente $\mathbb{R}^n$. Tuttavia, molti workflow quantistici nel regime NISQ (es. VQE, QAOA, classificazione di fase) non utilizzano i valori di aspettazione grezzi come output finali. Al contrario, essi utilizzano questi valori per prendere decisioni a valle: selezionare un passo dell'ottimizzatore, classificare circuiti candidati, identificare un insieme top-$k$ o determinare un argmin.

Il documento identifica un disallineamento strutturale: le metriche di accuratezza misurano l'errore nello spazio ambiente, mentre le decisioni invarianti per traslazione dipendono solo dai gap (differenze) tra i valori del paesaggio. Un metodo può migliorare l'MSE puntuale peggiorando la probabilità di prendere la decisione corretta. Ciò accade perché il rumore di modo comune o specifiche strutture di correlazione possono annullarsi nei calcoli dei gap (preservando le decisioni) pur gonfiando l'MSE ambiente, o viceversa, le strategie di mitigazione possono ridurre il bias ma amplificare la varianza dei gap, degradando l'affidabilità della decisione.

Metodologia e Quadro Teorico
Il documento sviluppa una teoria dello spazio quoziente per la QEM a finite-shot, adattata alle decisioni a valle.

1. Fattorizzazione per Quoziente: Gli autori stabiliscono che le decisioni invarianti per traslazione fattorizzano attraverso lo spazio quoziente $Q = \mathbb{R}^n / \text{span}\{1\}$. Le decisioni sono invarianti rispetto agli spostamenti globali di energia; pertanto, l'oggetto rilevante non è il campo residuo $E_m$ in $\mathbb{R}^n$, ma la sua immagine sotto una mappa di contrasto $L$ (il vettore gap).
2. L'Oggetto di Decisione: L'oggetto minimo completo di decisione è la legge del gap residuo $L(E_m)$. Nei regimi Gaussiani a finite-shot, questo è riassunto dal margine effettivo $\mu_m = \Delta + L a_m$ e dal kernel di decisione $\Sigma_m = L K_m L^\top$, dove $K_m$ è la covarianza ambiente.
3. Teorema di No-Go Marginale: Il documento dimostra che i benchmark marginali puntuali (MSE, varianza puntuale, intervalli di confidenza) sono insufficienti a determinare l'affidabilità della decisione. Due metodi possono avere identici marginali puntuali e MSE, ma diverse correlazioni di gap, portando a rischi decisionali drasticamente differenti.
4. Restrizione di Pullback della QEM: A differenza dei problemi generici di ranking-and-selection dove le covarianze sono parametri liberi, i kernel di decisione QEM sono vincolati. Essi sono pullback di rumori fisici condivisi attraverso la specifica mappa di mitigazione (es. ZNE, CDR, PEC). Questa geometria ristretta significa che $\Sigma_m$ non è una matrice arbitraria semidefinita positiva, ma risiede in una specifica famiglia determinata dal modello di rumore del dispositivo e dal protocollo di mitigazione.
5. Rischio Gaussiano ed Esponenti: Gli autori derivano formule esatte per il rischio di decisione sotto assunzioni Gaussiane e stabiliscono esponenti per grandi quantità di shot. Dimostrano che l'esponente di decisione dipende dal rapporto tra i quadrati dei margini e le varianze dei gap, e che le correlazioni off-diagonal nel gap kernel possono impattare significativamente i prefattori a finite-shot e le decisioni multi-vincolo.

Contributi Chiave

• Separazione Strutturale: Dimostra che l'accuratezza dei valori di aspettazione e l'affidabilità della decisione sono controllate da oggetti matematici diversi. L'accuratezza è una proprietà dello spazio ambiente; l'affidabilità della decisione è una proprietà dello spazio quoziente.
• Definizione del Kernel di Decisione: Introduce il kernel di decisione $\Sigma_m = L K_m L^\top$ come la metrica corretta per confrontare i metodi QEM in workflow orientati alla decisione.
• Teorema del Pullback Fisico: Dimostra che i kernel di decisione sono fisicamente vincolati dal modello di rumore del dispositivo e dalla mappa di mitigazione, impedendo la selezione di "ottimali" covarianze che siano fisicamente irrealizzabili.
• Teoremi di No-Go: Stabilisce che nessun selettore deterministico basato esclusivamente su benchmark marginali puntuali (come l'MSE) può identificare uniformemente il metodo QEM ottimale per la decisione.
• Score Operativi: Propone score operativi consapevoli della decisione, inclusi l'Indice di Affidabilità della Decisione (DRI) e l'Indice di Rischio Gaussiano (GRI), che utilizzano la legge del gap stimata anziché l'MSE ambiente.

Risultati ed Esperimenti Numerici
Il documento valida la propria teoria utilizzando simulazioni Qiskit Aer su istanze QAOA-MaxCut e un test di stress su una micro-cella di hardware pre-registrata.

• CDR (Clifford-Data Regression): È stato dimostrato che le correzioni positive-affine della CDR possono migliorare l'MSE di fattori compresi tra 43x e 180x lasciando il rischio di decisione (GRI) identico al metodo Raw (non mitigato). Ciò conferma che i guadagni di accuratezza non si traducono necessariamente in guadagni decisionali.
• PEC (Probabilistic Error Cancellation): Ha mostrato regimi in cui la PEC riduce l'MSE ma aumenta il rischio di decisione a causa dell'overhead di campionamento (inflazione della varianza), portando a una coesistenza di "migliore accuratezza" e "peggiori decisioni".
• Selezione del Metodo: Un selettore consapevole della decisione (Algoritmo 1), che sceglie i metodi in base al gap kernel stimato, ha spesso preferito il metodo Raw rispetto a ZNE o CDR in regimi di rumore che preservano il ranking.
• Performance Statiche vs Dinamiche:
  • Nei test statici su dati non visti (held-out), il selettore consapevole della decisione ha ridotto i tassi di fallimento rispetto alla selezione basata su MSE, ma la riduzione (circa l'11%) è rimasta al di sotto di una soglia pratica pre-specificata (15%).
  • Nei test dinamici "shots-to-success", nessuno dei due selettori ha raggiunto il target aggregato di probabilità di successo di 0.80, indicando che non vi è un vantaggio di costo aggregato nei regimi valutati.
• Test di Stress Hardware: Un test su micro-cella su un modello di rumore di dispositivo calibrato ha mostrato un beneficio statisticamente significativo ma modesto dall'adozione della mitigazione dell'errore di lettura quando selezionata tramite il gap kernel, sebbene il risultato sia rimasto al di sotto della soglia pratica.

Significatività e Claim
Il documento sostiene che l'attuale paradigma di benchmarking della QEM basato unicamente sull'accuratezza dei valori di aspettazione è strutturalmente incompleto per i workflow guidati dalle decisioni.

• Implicazione Operativa: I metodi QEM dovrebbero essere selezionati in base alla geometria del gap residuo (margini effettivi e kernel di decisione), non solo l'accuratezza puntuale.
• Conclusione Modesta: Il documento non afferma che la QEM sia universalmente dannosa o che la mitigazione debba sempre essere scartata. Piuttosto, sostiene che in regimi specifici (particolarmente con rumore che preserva il ranking), la mitigazione può essere decision-neutrale o addirittura decision-dannosa. La raccomandazione operativa è di stimare la legge del gap e declinare la mitigazione se la riduzione del bias indotta non compensa la varianza del gap indotta.
• Ambito: I risultati sono specifici per regimi a finite-shot, allocazione fissa e approssimazioni Gaussiane. Il documento evita esplicitamente di fare affermazioni universali su teorie adattive o limiti di Fisher quantistici indipendenti dalla misura, posizionando le proprie scoperte come una necessaria correzione al panorama attuale della Qem piuttosto che come un sostituto completo di tutta la teoria QEM.

Il documento conclude che "la QEM dovrebbe quindi essere valutata non solo per quanto accuratamente stima i valori, ma per se migliora le decisioni che tali valori vengono utilizzati per prendere".