Hardware-Efficient Error Mitigation and Shot-Efficient Sampling on IBM Quantum Hardware
Questo articolo valuta sperimentalmente i compromessi tra le tecniche di mitigazione dell'errore e il campionamento a numero finito di scatti su hardware IBM Quantum sotto un budget di esecuzione vincolato, fornendo una caratterizzazione consapevole dell'hardware su quando le strategie di mitigazione migliorano l'accuratezza della stima rispetto a quando le fluttuazioni del campionamento ne annullano i benefici.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Nel ronzio silenzioso di una sala server, un nuovo tipo di computer sta imparando a pensare. Queste macchine, costruite con circuiti superconduttori raffreddati a temperature più fredde dello spazio profondo, promettono di risolvere problemi che richiederebbero ai supercomputer odierni millenni per essere decifrati. Ma c'è un problema: questi computer quantistici sono incredibilmente fragili. La minima vibrazione o il minimo calore possono far andare storti i loro calcoli. Poiché non siamo ancora in grado di costruire macchine completamente immuni a questi errori, gli scienziati hanno sviluppato un insieme di trucchi chiamati mitigazione dell'errore. Questi trucchi non riparano le parti rotte della macchina; cercano invece di indovinare quale sarebbe dovuta essere la risposta corretta eseguendo lo stesso calcolo molte volte e cercando schemi negli errori. La speranza è che, combinando questi risultati rumorosi, si possa estrarre un segnale chiaro dal rumore di fondo.
Tuttavia, c'è un costo nascosto per questi trucchi. Per ottenere una stima migliore, il computer deve eseguire il calcolo più volte, consumando una risorsa limitata nota come "shot", che sono semplicemente il numero di volte in cui alla macchina viene chiesto di misurare il proprio risultato. Se si spendono troppi shot per cercare di correggere gli errori, si potrebbe finire con un risultato meno accurato rispetto a quello che si otterrebbe eseguendo il calcolo solo poche volte e accettando il rumore. Questa tensione tra il correggere gli errori e l'esaurire i tentativi è il puzzle centrale che i ricercatori stanno cercando di risolvere. Devono sapere esattamente quando questi metodi di correzione aiutano e quando invece peggiorano le cose, specialmente sulle macchine reali attualmente disponibili.
Un ricercatore dell'Indian Institute of Technology Jodhpur ha deciso di testare questo equilibrio su un computer quantistico reale e funzionante. Ha utilizzato un potente processore a 156 qubit di IBM, una macchina che rappresenta l'avanguardia della tecnologia attuale. Il suo obiettivo non era solo vedere se la correzione degli errori funzionasse, ma misurarla equamente mantenendo fisso il numero totale di tentativi. Immaginate di avere un tempo fisso per scattare una fotografia a un oggetto in movimento. Potete scattare un'unica esposizione lunga, che potrebbe risultare mossa, oppure fare molti scatti rapidi e combinarli. Il ricercatore voleva sapere se fare molti scatti e combinarli con una specifica ricetta matematica avrebbe effettivamente fornito un'immagine più chiara rispetto al fare un unico scatto lungo, dato che il tempo totale disponibile era lo stesso per entrambi i metodi.
Il ricercatore ha predisposto una serie di esperimenti utilizzando diversi tipi di circuiti, che sono le istruzioni date al computer. Ha testato semplici catene di qubit, schemi ripetitivi di operazioni e un tipo specifico di calcolo utilizzato per i problemi di ottimizzazione. Ha confrontato i risultati grezzi, non corretti, con diverse strategie di correzione. Una strategia consisteva nel correggere gli errori che avvengono quando la macchina legge la risposta finale. Un'altra consisteva nell'eseguire il calcolo a diversi livelli di rumore artificiale e poi indovinare matematicamente quale sarebbe stato il risultato se non ci fosse stato alcun rumore. Ha testato anche un metodo intelligente e adattivo che cercava di decidere quante volte eseguire ogni parte del calcolo in base a quanto quella specifica parte sembrasse rumorosa.
I risultati sono stati sorprendenti e sfumati. Il ricercatore ha scoperto che il metodo intelligente e adattivo non vince automaticamente. Infatti, quando ha confrontato il metodo intelligente con un metodo semplice e uniforme, in cui ogni parte del calcolo veniva eseguita lo stesso numero di volte, il metodo intelligente è risultato migliore solo in due dei sei scenari considerati. Negli altri quattro scenari, l'approccio semplice e uniforme era in realtà più accurato. Ciò suggerisce che la complessa strategia di regolare costantemente il numero di tentativi in base ai controlli preliminari del rumore non è un miglioramento garantito. A volte, l'impegno extra per essere "intelligenti" su dove spendere gli shot ha portato a un risultato finale peggiore.
Un altro risultato chiave è stato che i metodi di correzione non sempre correggevano il bias, ovvero l'errore sistematico, nel modo in cui gli scienziati speravano. Per un tipo specifico di calcolo che coinvolgeva un modello di stati su e giù, il metodo progettato per rimuovere il rumore ha reso l'errore più grande di quanto non fosse prima. Il ricercatore ha osservato che quando il computer veniva interrogato per misurare un valore molto vicino al limite di ciò che è possibile, il trucco matematico usato per rimuovere il rumore a volte andava oltre il bersaglio, allontanando la risposta dalla verità. Questo accadeva nonostante il metodo sia ampiamente utilizzato e affidabile. Ha dimostrato che questi strumenti non sono bacchette magiche che funzionano in ogni situazione; possono talvolta introdurre nuovi problemi mentre cercano di risolvere quelli vecchi.
Lo studio ha inoltre evidenziato l'importanza della disposizione fisica del computer stesso. Il ricercatore ha scoperto che scegliere semplicemente quali fili sul chip utilizzare per il calcolo faceva una grande differenza. Quando ha utilizzato una coppia di fili che erano noti per avere un basso tasso di errore, i suoi risultati sono stati significativamente migliori rispetto a quando ha utilizzato una coppia di fili dallo stesso chip noti per essere ad alto errore. La differenza di qualità tra queste due coppie di fili era così grande da essere paragonabile alla differenza causata dall'aggiungere diversi strati extra di complessità al calcolo. Ciò significa che, prima di cercare di correggere gli errori tramite software, potrebbe essere altrettanto importante selezionare attentamente le parti fisiche migliori della macchina su cui eseguire il codice.
In definitiva, il ricercatore ha concluso che non esiste una regola singola e universale su quando utilizzare la mitigazione dell'errore. La decisione dipende interamente dalla macchina specifica, dal calcolo specifico che viene eseguito e dal numero di tentativi disponibili. Sul processore IBM che ha testato, la strategia di allocazione adattiva degli shot testata non era superiore all'approccio semplice e uniforme. In molti casi, i metodi standard di correzione dell'errore aumentavano l'incertezza del risultato piuttosto che ridurla. Il ricercatore ha rilasciato tutti i suoi dati, il codice e le istruzioni esatte che ha utilizzato affinché altri possano ripetere gli esperimenti. Il suo lavoro serve da promemoria: nel mondo rumoroso dell'attuale informatica quantistica, la soluzione più sofisticata non è sempre la migliore, e sono necessari test attenti e onesti prima di decidare di applicare queste potenti ma costose correzioni.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.