Toward a Quantum Diagnostic Intelligence System: A Multi-Layer Architecture for Circuit-Level Assessment of Quantum Hardware Operational State

Sintesi Tecnica: Verso un Sistema di Intelligenza Diagnostica Quantistica

Definizione del Problema
Gli attuali standard industriali per la certificazione dello stato di salute delle Unità di Elaborazione Quantistica (QPU) si basano su metriche di calibrazione a livello di impulso, specificamente i tempi di coerenza ($T_1$ e $T_2$) misurati su singoli qubit isolati. Sebbene efficienti, queste metriche presentano un limite fondamentale: non riescono a catturare gli errori che emergono solo durante l'esecuzione di circuiti multi-qubit, come gli errori coerenti derivanti da una errata calibrazione delle porte, il crosstalk tra qubit operati simultaneamente e l'instabilità temporale di tali effetti. Di conseguenza, esiste un divario sistematico tra la qualità dell'hardware certificata (alti valori di $T_1/T_2$) e le prestazioni effettive degli algoritmi. Il documento evidenzia un caso critico di questo disallineamento in cui il $T_2$ riportato da IBM è migliorato del 12%, mentre l'infedeltà a livello di circuito per uno stato GHZ a 2 qubit è degradata del 920%.

Metodologia: L'Architettura Quantum Diagnostic Intelligence (QDI)
Gli autori propongono QDI, un'architettura di supporto decisionale a cinque livelli progettata per inferire lo stato operativo di una QPU utilizzando misurazioni a livello di circuito piuttosto che metriche isolate di impulso. Il framework opera su un vettore di biomarcatori $\chi$ estratto da circa 13 circuiti eseguiti in circa tre minuti.

Il nucleo della metodologia prevede quattro operatori matematici applicati a $\chi$:

1. Classificatore dello Stato Diagnostico $D(\chi)$: Mappa il vettore dei biomarcatori in uno dei cinque modi operativi mutuamente esclusivi (ad esempio, dominato da errori coerenti, dominato dal drift, dominato da SPAM) sulla base di regole a priorità ordinata derivate dalla fisica. Gli indicatori chiave includono l'esponente di scala K–R $\alpha$ (specificamente $\alpha_{GHZ}$) e il coefficiente di variazione ($CV_{drift}$).
2. Punteggio di Salute $H(\chi)$: Genera un punteggio di penalità pesato da 0 a 100. Il punteggio è scomponibile, attribuendo le penalità a fattori specifici come le deviazioni dell'esponente di scala, l'instabilità del drift e i valori di bontà del fit. I pesi sono derivati dalla fisica anziché appresi dai dati.
3. Generatore di Raccomandazioni $R(\chi)$: Mappa lo stato diagnostico in passi azionabili prioritari, come l'applicazione del disaccoppiamento dinamico per gli errori coerenti o l'estrapolazione del rumore a zero per il rumore depolarizzante.
4. Previsione del Drift $F(\chi, t)$: Produce una distribuzione predittiva per i futuri esponenti di scala basata su modelli di tendenza lineare, quantificando esplicitamente l'incertezza (attualmente etichettata come "BASSA FIDUCIA" a causa dei piccoli campioni di dati).

Il vettore dei biomarcatori $\chi$ include esponenti di scala ($\alpha$) per circuiti GHZ, profondità del circuito, sequenze di eco e amplificazione del rumore, insieme a metriche di stabilità ($CV$) e valori di bontà del fit ($R^2$). Questi vengono estratti adattando un modello K–R a tre parametri alle misurazioni di infedeltà.

Configurazione Sperimentale e Risultati
Il framework è stato validato utilizzando 191 esecuzioni di circuiti su tre processori IBM Heron r2 da 156 qubit: ibm_kingston, ibm_fez e ibm_marrakesh.

• Dimostrazione della Divergenza: Su ibm_marrakesh, tra il 3 e il 5 luglio 2026, il $T_2$ a livello di impulso di IBM è migliorato da 303 $\mu$s a 340 $\mu$s. Al contrario, le metriche a livello di circuito hanno indicato un grave degrado: $\alpha_{GHZ}$ è aumentato da 1,406 a 3,811 e l'infedeltà del GHZ a 2 qubit è aumentata del 920%. Il sistema QDI ha correttamente identificato questo come uno stato "dominato da errori coerenti" con un punteggio di salute di 37,8/100, contrastando con il verdetto "MIGLIORATO" delle metriche di impulso.
• Validazione Cross-Device: Le regole addestrate esclusivamente sui dati di ibm_kingston sono state applicate senza ricalibrazione a ibm_fez e a due sessioni di ibm_marrakesh. Il sistema ha classificato correttamente lo stato operativo in 3 test su 3 (accuratezza del 100% sul set di test), dimostrando la fattibilità della generalizzazione cross-device.
• Spiegabilità: Il punteggio di salute per la sessione degradata di marrakesh è stato esplicitamente suddiviso, mostrando che il 64% della penalità derivava dall'esponente di scala $\alpha_{GHZ}$ e il 35% dal drift, fornendo informazioni azionabili sulle cause profonde del fallimento.

Contributi Chiave

1. Definizione Formale: Il documento fornisce la prima formalizzazione matematica del passaggio dalla misurazione alla diagnosi, raccomandazione e previsione per l'hardware quantistico tramite quattro operatori definiti ($D, H, R, F$).
2. Evidenza Empirica: Presenta dati reali che dimostrano come le misurazioni a livello di circuito contengano informazioni diagnostiche invisibili alle standard calibrazioni $T_1/T_2$, catturando specificamente l'accumulo di errori coerenti e il crosstalk.
3. Validazione della Fattibilità: Lo studio dimostra che le regole progettate da esperti, addestrate su un dispositivo, possono classificare con successo lo stato operativo di diversi dispositivi e diverse sessioni temporali senza necessità di riaddestramento.
4. Metriche Spiegabili: Il framework offre un punteggio di salute trasparente con una scomposizione delle penalità, in contrasto con i modelli "black-box" opachi.

Significatività e Limitazioni
Il documento afferma che QDI affronta una lacuna critica nella caratterizzazione dell'hardware quantistico fornendo un controllo rapido (3–5 minuti) della salute pre-sessione a livello di circuito, che integra, piuttosto che sostituire, metodi rigorosi come il Randomized Benchmarking o la Gate Set Tomography. La sua principale significatività risiede nell'identificare che un dispositivo può apparire sano tramite le metriche di impulso pur essendo operativamente degradato per algoritmi multi-qubit.

Gli autori riconoscono esplicitamente tre limitazioni scientifiche:

1. Natura Euristica: Gli operatori attualmente si basano su regole e pesi progettati da esperti piuttosto che su modelli statistici appresi.
2. Mancanza di Ground Truth: Il punteggio di salute non è ancora stato validato rispetto ai tassi effettivi di successo/fallimento degli algoritmi (ground truth).
3. Dimensione del Campione: Il campione di cross-validazione ($n=4$ sessioni) è insufficiente per affermazioni statistiche; gli autori dichiarano che è necessaria una validazione prospettica su $n \ge 50$ sessioni indipendenti prima di poter sostenere affermazioni di generalizzazione.

Il documento conclude che, sebbene l'esponente di scala $\alpha$ sia un componente utile, l'architettura QDI è il contributo primario, progettata per essere agnostica rispetto ai specifici biomarcatori utilizzati, permettendo l'integrazione di futuri dati diagnostici.