Analysis of asymmetric errors in NISQ experiments

기술 요약: NISQ 실험에서의 비대칭 오류 분석

문제 정의
본 논문은 저자들의 이전 NISQ(Noisy Intermediate-Scale Quantum) 실험에 대한 통계적 분석을 확장하며, 특히 Google의 2019년 "양자 우위" 실험 및 관련 시뮬레이션에 초점을 맞춘다. 다루고자 하는 핵심 문제는 **비대칭 판독 오류(asymmetric readout errors)**의 특성화이다. 이전 연구([10], [13])가 대칭 노이즈 모델을 위한 도구들을 확립했다면, 본 연구는 '1'이 '0'으로 읽힐 확률($q_{1\to0}$)이 '0'이 '1'로 읽힐 확률($q_{0\to1}$)과 다른 정교한 3-파라미터 노이즈 모델을 조사한다.

이 분석의 구체적인 동기는 Fefferman 등[4]의 이론적 논문에서 기인한다. 해당 논문은 진폭 감쇄 게이트 오류(비유니탈 노이즈, 주로 $T_1$ 붕괴)가 출력 샘플에서 '0'에 대한 편향을 유도해야 한다고 상정한다. 저자들은 이러한 이론적 효과—판독 오류만으로 예측되는 것보다 더 많은 0의 비율로 나타나는 현상—가 Google의 Sycamore 프로세서, IBM의 양자 프로세서 및 다양한 시뮬레이터의 경험적 데이터에서 관찰 가능한지 확인하고자 한다.

방법론
저자들은 이전 연구에서 개발된 통계 도구를 활용 및 확장하며, 특히 비대칭 오류에 적합하도록 조정된 **푸리에-월시 확장(Fourier-Walsh expansions)**을 사용한다.

1. 노이즈 모델: 본 연구는 다음의 3-파라미터 노이즈 모델을 사용한다:
   $$R(q_{1\to0}, q_{0\to1})(sP_C + (1-s)/M)$$
   여기서 $P_C$는 이상적인 확률 분포, $s$는 충실도 유사 파라미터, $M=2^n$이며, $q_{1\to0}, q_{0\to1}$은 비대칭 판독 오류율을 나타낸다. 이는 $q_{1\to0} = q_{0\to1} = q$인 2-파라미터 대칭 모델을 일반화한 것이다.

2. 추정 기법:

   • 최대 가능도 추정(Maximum Likelihood Estimation, MLE): 저자들은 샘플 데이터를 기반으로 파라미터 $(s, q_{1\to0}, q_{0\to1})$에 대한 MLE 추정기를 개발한다.
   • 푸리에-월시 분석: 이들은 [10]의 푸리에 프레임워크를 $p$-편향 측정 공간(p-biased measure space)으로 확장하여 비대칭 오류를 처리하고 효율적인 파라미터 추정을 가능하게 한다.
   • 비교 분석: 연구는 오류율을 추정하기 위해 세 가지 방법을 비교한다:
     1. 회로 출력의 0과 1의 경험적 비율로부터의 통계적 추론.
     2. 하드웨어 제공업체가 보고한 직접적인 판독 오류율 (Google의 som_params_by_qubit.csv 및 readout_raw_data.tar).
     3. 회로 출력 분포로부터 도출된 MLE.

3. 데이터 소스:

   • Google Sycamore: 2019년 우위 실험($12 \le n \le 53$ 큐비트) 및 후속 실행($n=67, 69$)에서 얻은 경험적 데이터.
   • IBM 하드웨어: "Nairobi" 및 "Jakarta" 프로세서에서 실행된 5-큐비트 회로.
   • 시뮬레이터: Google의 "QVM Weber" 및 IBM의 "Fake Guadalupe" 시뮬레이터.
   • 시간적 분석: 비트스트링 측정 시퀀스 전반에 걸친 1의 비율에 대한 시간적 안정성 검토.

주요 결과

1. Google 데이터에서 게이트 유도 비대칭성의 부재:
   Fefferman 등[4]이 제안한 가설과 달리, Google의 2019년 실험 데이터($12 \le n \le 53$) 분석 결과, 진폭 감쇄 게이트 오류에 의한 추가적인 '0' 편향의 증거가 발견되지 않았다.

   • 0과 1의 비율 사이의 경험적 차이는 보고된 판독 오류($q_{1\to0} - q_{0\to1}$)에 의해 예측되는 차이와 일치하거나 오히려 약간 낮다.
   • 실험 데이터에서 도출된 $q_{1\to0}$ 및 $q_{0\to1}$에 대한 MLE 추정치는 Google이 보고한 물리적 판독 오류와 유사하거나 약간 낮다.
   • 이는 테스트된 전체 큐비트 수 범위에서 동일하게 나타난다.

2. 시뮬레이터에서의 불일치:

   • IBM "Fake Guadalupe": Google 하드웨어 데이터와 대조적으로, IBM 시뮬레이터는 상당한 불일치를 보인다. MLE를 통해 추정된 "유효" 판독 오류($q_{1\to0} \approx 0.081, q_{0\to1} \approx 0.048$)는 물리적 판독 오류($q_{1\to0} \approx 0.028, q_{0\to1} \approx 0.007$)보다 상당히 높다. 시뮬레이터 데이터의 비대칭성이 보고된 물리적 파라미터보다 크다는 점은, 시뮬레이터의 노이즈 모델이 Fefferman 등이 예측한 것과 유사한 게이트 오류 효과를 의도치 않게 포함하고 있을 가능성을 시사한다.
   • Google "QVM Weber": Google 시뮬레이터의 결과는 보고된 오류 파라미터의 모호성("격리된" 데이터와 "병렬" 캘리브레이션 데이터 간의 차이)으로 인해 결론을 내리기 어렵다.

3. 시간적 불안정성:
   연구는 Google의 Sycamore 및 USTC의 Zuchongzhi 실험 실행 중 1의 측정 비율에서 나타나는 시간적 불안정성을 식별했다.

   • 1의 비율은 시간에 따라 크게 변동하며(이론적 표준 편차를 훨씬 상회함), 높은 양의 자기상관(autocorrelation)을 보였다.
   • 그러나 Google의 초기화 및 판독 원천 데이터(readout_raw_data.tar)는 이러한 시간적 변동을 보여주지 않는다.
   • 저자들은 이 불안정성이 상태 준비나 판독 오류의 시간적 변화보다는 회로 사이클 동안 적용된 게이트에서 기인한 것이라고 결론지었다.

4. 역집중(Anticoncentration):
   연구는 Google 실험 데이터가 예상보다 강한 역집중 현상(즉, $\sum p(x)^2 = c/2^n$에서 파라미터 $c$의 높은 값)을 보임을 주목했다. 이 효과는 Fefferman 등이 예측한 특정 비대칭 판독 편향($q_{1\to0} > q_{0\to1}$) 때문은 아닌 것으로 보이는데, 데이터가 그에 상응하는 '0'으로의 편향을 보이지 않았기 때문이다.

의의 및 주장
본 논문은 비유니탈 게이트 오류(진폭 감쇄)가 무작위 회로 샘플링에서 특정 유형의 비대칭 판독 오류로 나타난다는 이론적 예측에 대한 엄격한 통계적 검증을 제공한다고 주장한다.

• 관찰된 효과에 대한 반박: 주요 주장은 Fefferman 등의 이론적 메커니즘이 타당할 수는 있으나, Google 2019년 우위 데이터 및 후속 실행에서는 목격되지 않았다는 것이다. 관찰된 비대칭성은 보고된 판독 오류에 의해 충분히 설명되며, 게이트 유도 '0' 편향에 의한 추가적인 기여는 없다.
• 방법론적 확장: 본 논문은 3-파라미터 비대칭 노이즈 모델에 대해 푸리에-월시 분석과 MLE 기법을 성공적으로 확장하여, 향후 NISQ 데이터 분석을 위한 프레임워크를 제공한다.
• 시뮬레이션 vs 실제: 본 논문은 실제 하드웨어(Google)와 특정 시뮬레이터(IBM Fake Guadalupe) 사이의 괴리를 강조한다. 후자는 이론이 예측하는 "유효" 오류 팽창을 보이는 반면, 전자는 그렇지 않다.

저자들은 Google 시뮬레이터 데이터의 결론 불가능한 특성과 게이트 사이클에서 관찰된 시간적 불안정성을 고려할 때, 특정 게이트 유도 비대칭 효과가 발견되지 않았더라도 완전한 이해를 위해서는 추가적인 샘플과 시뮬레이션이 필요하다는 점을 언급하며 신중한 태도를 유지한다.