Multi-Layer Cycle Benchmarking for high-accuracy error characterization

문제 정의
정확한 노이즈 특성화는 신뢰할 수 있는 양자 컴퓨팅과 효과적인 노이즈 인지 오류 완화 기술의 성공적인 배치를 위한 전제 조건입니다. 효과적인 파울리 노이즈 모델은 관리 가능한 수의 파라미터로 오류 프로세스를 설명할 수 있는 확장 가능한 방법을 제공하지만, 파울리 고윳값(eigenvalues)의 "학습 가능성(learnability)"이라는 근본적인 한계를 가집니다. 선행 연구(예: Ref. [22])에서 입증되었듯이, 게이지 자유도(gauge freedom)는 특정 파울리 채널 파라미터를 상태 준비 및 측정(SPAM) 오류로부터 독립적으로 결정하는 것을 방해하는 모호성을 초래합니다. 구체적으로, 클리포드 게이트(Clifford gates) 세트의 경우, 학습 불가능한 노이즈 자유도(DOF)의 수는 큐비트 수에 따라 기하급수적으로 증가합니다. 표준 사이클 벤치마킹(Cycle Benchmarking, CB) 프로토콜은 모든 학습 가능한 DOF를 높은 정확도와 SPAM 강건성으로 결정할 수 있지만, "저정확도" 방법(예: 대칭성 가정 또는 단위 깊이 회로)을 통해 추정해야 하는 상당한 비율의 파라미터를 남겨둡니다. 이러한 학습 불가능한 양들은, 특히 Sparse Pauli-Lindblad(SPL) 모델과 같은 확장 가능한 모델에서, 전체 파라미터의 무시할 수 없는 부분(대형 사각형 토폴로지 시스템에서 약 4.8%에 달함)을 차지할 수 있으며, 이는 노이즈 특성화의 정밀도와 확률적 오류 상쇄(Probabilistic Error Cancellation, PEC)와 같은 오류 완화 전략의 효능을 저하시킵니다.

방법론: 다층 사이클 벤치마킹 (Multi-Layer Cycle Benchmarking, MLCB)
저자들은 여러 층의 클리포드 게이트를 공동으로 분석하여 학습 가능한 DOF의 수를 늘리도록 설계된 향상된 특성화 프로토콜인 다층 사이클 벤치마킹(MLCB)을 소개합니다. 단일 층을 개별적으로 특성화하는 표준 CB와 달리, MLCB는 $d$번 반복되는 "빌딩 블록"이 단일 층이 아닌 서로 다른 층들의 조합(예: 교차하는 Blue 및 Green 층)으로 구성된 회로를 구축합니다.

프로토콜은 다음과 같이 작동합니다:

1. 다층 궤도(Multi-Layer Orbits): MLCB는 두 층 $L_1, L_2$에 대한 "다층 궤도"를 정의합니다. 층의 시퀀스를 적용하고 파울리 연산자의 기댓값을 측정함으로써, 프로토콜은 서로 다른 층으로부터의 파울리 고윳값 곱(예: $f^{L_1}_{\alpha} f^{L_2}_{\beta}$)을 높은 정확도와 SPAM 강건성으로 측정합니다.
2. 학습 불가능한 DOF의 해제: 국소 린드블라디안(local Lindbladians)에 의해 노이즈가 생성된다고 가정하는 SPL 모델의 맥락에서, 저자들은 이러한 교차 층 곱이 학습 불가능한 가중치-1 파울리 고윳값들의 비율에 대한 제약 조건을 제공함을 입증합니다. 예를 들어, 병렬 CZ 게이트로 구성된 시스템에서 MLCB는 서로 다른 층에 있는 인접 큐비트와 관련된 학습 불가능한 고윳값의 비율을 결정할 수 있습니다.
3. 확장성: 이 방법은 네 개의 조밀한 병렬 CZ 게이트 층이 있는 사각형 토폴로지에 적용됩니다. 층 쌍(Blue-Green, Green-Red 등)을 분석함으로써, MLCB는 높은 정확도의 제약 조건을 부과하여 대규모 시스템에서 학습 불가능한 DOF를 $\sim 4n$에서 $\sim n$으로 줄여, 학습 불가능한 비율을 효과적으로 75% 감소시킵니다.

주요 기여

• 프로토콜 개발: 단일 층 CB로는 접근할 수 없는 정보를 다층 회로로부터 추출하기 위해 유효 노이즈 모델에 내재된 제약 조건을 활용하는 MLCB의 공식화.
• 이론적 분석: MLCB가 열린 체인(open chains)과 닫힌 체인(closed chains) 모두에서 특정 DOF를 어떻게 해제하는지 보여주는 체계적인 유도를 통해, 임의의 클리포드 층 조합에 대해 학습 불가능한 고윳값의 비율을 결정할 수 있음을 증명함.
• 실험적 검증: IQM Garnet™ 20-큐비트 초전도 프로세서에 MLCB를 구현함. 실험을 통해 파울리 고윳값 곱들 사이의 차이가 0과 통계적으로 양립할 수 없음을 성공적으로 측정하였으며, 이를 통해 학습 불가능한 고윳값이 대칭적이거나 그 켤레(conjugate)와 같다는 일반적인 가정을 실험적으로 반박함.
• 수치 시뮬레이션: SPL 노이즈 모델 피팅에 MLCB 데이터를 포함하는 것이 표준 CB 및 저정확도 추정 방법만을 사용하는 것보다 재구성 오차($L_1$ 거리로 측정)를 크게 줄인다는 것을 입사적으로 입증함.

결과

• 학습 불가능한 DOF의 감소: CZ 층이 있는 사각형 토폴로지의 현실적인 시나리오에서, MLCB는 학습 불가능한 노이즈 자유도를 최대 75%까지 감소시킵니다.
• 실험적 증거: IQM Garnet™ 프로세서에서 교차 층 고윳값 곱 사이의 측정된 차이는 일관되게 0이 아니었으며(최대 ~99.5%의 통계적 유의성), 이는 학습 불가능한 파라미터를 추정하기 위해 흔히 사용되는 대칭성 가정이 실제 하드웨어에서는 위배됨을 확인시켜 줍니다.
• 특성화 정확도 향도: 20-큐비트 시스템에 대한 수치 시뮬레이션 결과, MLCB 데이터를 사용하는 것이 기저의 노이즈 모델을 더 정확하게 재구성함을 보여줍니다. 재구성 오차의 비율($r = \Delta_{MLCB} / \Delta_{CB}$)은 일관되게 1 미만이었으며, 종종 0.5에서 0.8 범위에 머물러 모델 충실도의 상당한 개선을 나타냈습니다.
• 향상된 오류 완화: 개선된 노이즈 특성화는 확률적 오류 상쇄(PEC)의 성능 향상으로 직접 연결됩니다. 시뮬레이션 결과, MLCB로 특성화된 모델을 사용하는 것이 기존의 특성화 방법보다 PEC 편향(bias)의 표준 편차를 거의 3배 가까이 줄였음을 보여주었습니다.

의의
본 논문은 MLCB를 정밀한 노이즈 특성화를 위한 확장 가능하고 실용적이며 자원 효율적인 도구로 자리매김합니다. 학습 불가능한 파라미터에 대한 저정확도 추정법에 대한 의존도를 크게 낮춤으로써, MLCB는 더 정확한 유효 노이즈 모델을 가능하게 합니다. 이는 결과적으로 근거리 양자 장치에서 신뢰할 수 있는 양자 컴퓨팅을 달める 데 필수적인 노이즈 인지 오류 완화 기술의 성능을 높입니다. 저자들은 MLCB가 제한된 학습 가능성이라는 특정 병목 현상을 해결하지만, 실험적 결함(예: 시간적 드리프트)이라는 더 넓은 맥락 내에서 작동하며, 학습 불가능한 DOF를 75% 감소시키기 위해 최소한의 오버헤드(약 7%의 추가 회로 실행)만 필요하다는 점을 강조합니다. 이 연구는 2D QPU의 사각형 토폴로지에 대한 구체적인 운영 방법을 제공함으로써 파울리 노이즈 학습 가능성에 대한 이론적 프레임워크를 보완합니다.