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

技術要約：中間回路測定に基づくサイクルベンチマーキングによる学習不可能なノイズの特性評価

問題提起
量子ノイズの特性評価は、誤り緩和および量子誤り訂正（QEC）プロトコルの検証における決定的なボトルネックである。標準的なサイクルベンチマーキング（CB）は、状態準備および測定（SPAM）エラーを分離し、ゲートエラーを繰り返したサイクルを通じてパウリチャネルを特性評価することに効果的である。しかし、CBは一般的な $n$ 量子ビットのクリフォードゲートに適用する場合、根本的な限界に直面する。具体的には、誘導されるパウリ転送グラフが、結合されたエラーパラメータを含む場合がある（例：$\lambda_{P_\alpha}\lambda_{P_\beta}$）。これにより、個々のフィデリティはゲージの自由度によって「学習不可能」となる。標準的なCBは、これらの結合されたパラメータを解像することができない。さらに、標準的なCBはマルコフ的なノイズダイナミクスを前提としているが、これは実際のハードウェアでは成立しない可能性があり、標準的なプロトコルには非マルコフ的な偏差を診断するツールが欠けている。

手法
著者らは、学習不可能なノイズを解明するための能動的なトモグラフィー・プリミティブとして、中間回路測定（MCM）を統合したフレームワークである**一般化サイクルベンチマーキング（GCB）**を提案する。この手法は、以下の3つの核となる理論的およびアルゴリズム的柱に基づいている。

1. パウリ重みの不一致と遅延フィードフォワード： 著者らは、クリフォードゲート $G$ の下での入力パウリ演算子と出力パウリ演算子のサポートのビット単位の差を、パウリ重みの不一致 $\delta(P_\alpha, P_\beta)$ と定義する。標準的なCBでは、$\delta \neq 0$ の場合、そのフィデリティは学習不可能である。GCBプロトコルは、$\delta(P_\alpha, P_\beta)$ によって指定された量子ビットの位置にMCMを挿入する。遅延フィードフォワード原理を利用することで、プロトコルは、古典的なフィードフォワード操作（MCMの結果に基づく条件付きビット反転）が完全に古典的な事後処理で実装可能であることを実証している。これにより、MCMはパウリ演算子を初期状態へと実質的に「リセット」し、リアルタイムの量子制御を必要とせずに、クリフォード誘導のサイクルを断ち切り、ノイズパラメータをデカップリングすることができる。

2. 一様確率的インストゥルメント（USI）と学習可能性の条件： 本フレームワークは、ノイズの乗るMCMを一様確率的インストゥルメントとしてモデル化する。

   • 厳密な学習（定理3）： MCMが $|0\rangle$ および $|1\rangle$ 状態への高精度な射影を提供する場合（具体的には、射影後に量子エラーが発生しない場合）、MCMおよびインターリーブされたクリフォードゲートのすべてのパウリフィデリティは厳密に学習可能である。決定的なことに、古典的な読み出し割り当てエラーは、量子ノイズパラメータを結合させないため、学習可能性に影響を与えない。
   • 近似的な学習（定理4）： $|0\rangle$ 準備のみが信頼できるシナリオ（超伝導デバイスで一般的）において、著者らは、学習不可能なペアも近似可能であることを示している。$|0\rangle$ の結果に対して事後選択を行い、幾何・算術平均分解を利用することで、ノイズの差が十分に顕著であれば、結合された積から個々のフィデリティを分離できる。

3. 非マルコフ性を診断するための二項解析： プロトコルは、「フリップ変数」（連続するMCM読み出しの変化）の統計に基づく診断ツールを導入する。分離可能なマルコフ的ノースの仮定の下では、これらのフリップ統計はクリーンな二項分布に従う。この分布からの偏差は、標準的なCB（すべての情報を単一の最終測定に崩壊させる）では不可視である、非マルコフ的なダイナミクス（例：メモリ効果やリーク）の直接的かつ定量的なシグネチャとして機能する。

主要な貢献

• 学習不可能なノイズの解明： 本論文は、一般的な $n$ 量子ビットのクリフォードゲートにおけるパウリサイクルを断ち切るための体系的な方法を提供している。サイクルを断ち切るコストは、パウリ重みの不一致のハミング重みによって定量化され、必要な最小限のMCM数を規定する。
• MCMによるSPAM堅牢性： 本フレームワークは、学習不可能なノイズ成分に対して部分的なSPAM免疫を実現しており、これは以前は単純なパウリチャネルに限定されていた能力である。
• 統一されたノイズ特性評価： 著者らは、MCMを用いた古典的なフィードフォワードが、一貫したパウリノース学習フレームワーク（ゲートセット・トモグラフィー）内でクリフォードゲートとして扱えることを示し、射影の質が不完全であっても自己整合的な特性評価が可能であることを実証している。
• 非マルコフ的診断： 本研究は、連続するMCMの統計的性質を用いて、非マルコフ的なダイナミクス（特にリークに起因するメモリおよび読み出し非対称性）を検出し、定量化する方法を確立した。

実験および数値結果
著者らは、数値シミュレーションおよびIBMの超伝導量子プロセッサ（ibm-aachen および ibm-pittsburgh）を用いた実験を通じて、本フレームワークを検証した。

• 数値シミュレーション： CNOTゲートおよび3量子ビットCNOTラダーに関するシミュレーションは、学習不可能なパウリフィデリティのペア（例：$\{ \lambda_{0z}, \lambda_{zz} \}$）を抽出する実現可能性を示し、特にローカルノイズモデルを活用してMCMのオーバーヘッドを削減することで、プロトコルが効果的にスケールすることを示した。
• 実験による検証：
  • 学習不可能なノイズ： 両デバイスにおいて、GCBプロトコルはCNOTゲートの学習不可能なパウリフィデリティの抽出に成功した。結果は物理的なCPTP（完全正値トレース保存）境界および従来のトモグラフィーと比較検証された。GCBの結果はCPTP境界内にあり、しばしば従来のトモグラフィーよりも物理的限界に近いことが示され、結合されたノイズの判別における優れた精度を実証した。
  • 非マルコフ的シグネチャ： MCM読み出しの二項解析により、2つの異なる非マルコフ的シグネチャが明らかになった：
    1. 古典的な読み出し割り当てエラーに起因する、偶数のフリップ数を好む「ジグザグ」な統計的バイアス。
    2. リークに起因するメモリ（非マルコフ的相関）に起因する、大きなフリップ数におけるフリップ分布の指数関数的な裾（テイル）。著者らは、この裾をモデル化することで、メモリ持続時間を定量化する減衰率 $\lambda_d$ を抽出した。

意義および主張
本論文は、中間回路測定が単なる受動的な診断ツールではなく、ノイズ特性評価のための能動的なリソースであることを主張している。本研究の意義は以下の点にある：

1. 根本的な限界の克服： ノイズ特性評価プロトコルのスケーラビリティを制限してきた、クリフォードゲートのノイズにおける「学習不可能な」自由度を解決した。
2. ハードウェア非依存性： 超伝導デバイスで実証されているが、本フレームワークはハードウェアに依存せず、MCMと古典的フィードフォワードをサポートするあらゆるプラットフォームに適用可能である。
3. 診断能力： パウリノイズモデルが有効な動作領域を定義する、非マルコフ的ダイナミクスを検出・定量化する新しい手法を提供した。
4. 実用的な有用性： 最先端の超伝導MCMが、部分的なSPAM免疫を伴う物理的に一貫したノイズ学習を可能にするのに十分な射影の質を備えていることを示し、より大きなクリフォードゲートの特性評価と誤り緩和戦略の進展への道を開いた。

結論として、本フレームワークは、サイクルベンチマーキングの範囲を、単なるユニタリ・クリフォードゲート集合から、現代の量子プロセッサで利用可能なより広範なダイナミック回路へと拡張するものである。