Multi-Layer Cycle Benchmarking for high-accuracy error characterization

Probleemstelling
Nauwkeurige karakterisering van ruis is een vereiste voor betrouwbare kwantumcomputatie en de effectieve inzet van ruisbewuste foutmitigatietechnieken. Hoewel effectieve Pauli-ruismodellen een schaalbare manier bieden om ruisprocessen te beschrijven met een beheersbaar aantal parameters, lijden ze aan een fundamentele beperking: de "leerbaarheid" van Pauli-eigenwaarden. Zoals aangetoond in eerder werk (bijv. Ref. [22]), introduceert de gauge-vrijheid ambiguïteiten die de onafhankelijke bepaling van bepaalde Pauli-kanaalparameters verhinderen door State Preparation and Measurement (SPAM)-fouten. Specifiek voor een set Clifford-poorten schaalt het aantal onleerbare ruisvrijheidsgraden (DOF) exponentieel met het aantal qubits. Standaard Cycle Benchmarking (CB)-protocollen kunnen alle leerbare DOF met hoge nauwkeurigheid en SPAM-robuustheid bepalen, maar laten een aanzienlijk deel van de parameters over om via "lage-nauwkeurigheid"-methoden (bijv. symmetrie-aannames of circuits met een eenheid-diepte) te worden geschat. Deze onleerbare grootheden, met name in schaalbare modellen zoals het Sparse Pauli-Lindblad (SPL)-model, kunnen een niet-verwaarloosbaar deel van de totale parameters uitmaken (nabij ~4,8% in grote systemen met een vierkante topologie), waardoor de precisie van ruischaracterisering en de effectiviteit van foutmitigatiestrategieën zoals Probabilistic Error Cancellation (PEC) worden verslechterd.

Methodologie: Multi-Layer Cycle Benchmarking (MLCB)
De auteurs introduceren Multi-Layer Cycle Benchmarking (MLCB), een verbeterd karakteriseringsprotocol dat is ontworpen om het aantal leerbare DOF te vergroten door meerdere lagen Clifford-poorten gezamenlijk te analyseren. In tegen af van standaard CB, dat elke laag in isolatie karakteriseert, construeert MLCB circuits waarbij de "bouwsteen" die $d$ keer wordt herhaald, een combinatie is van verschillende lagen (bijv. afwisselende Blauwe en Groene lagen) in plaats van een enkele laag.

Het protocol werkt als volgt:

1. Multi-Layer Orbits: MLCB definieert een "multi-layer orbit" voor een paar lagen $L_1, L_2$. Door de sequentie van lagen toe te passen en de verwachtingswaarde van een Pauli-operator te meten, meet het protocol producten van Pauli-eigenwaarden uit verschillende lagen (bijv. $f^{L_1}_{\alpha} f^{L_2}_{\beta}$) met hoge nauwkeurigheid en SPAM-robuustheid.
2. Ontsluiten van onleerbare DOF: In de context van het SPL-model, dat ervan uitgaat dat ruis wordt gegenereerd door lokale Lindbladianen, demonstreren de auteurs dat deze cross-layer producten beperkingen opleggen aan de ratio's van onleerbare gewicht-één Pauli-eigenwaarden. Bijvoorbeeld, in een systeem van parallelle CZ-poorten kan MLCB de ratio van onleerbare eigenwaarden geassocieerd met aangrenzende qubits in verschillende lagen bepalen.
3. Schaalbaarheid: De methode wordt toegepast op een QPU met een vierkante topologie met vier dichte lagen van parallelle CZ-poorten. Door paren lagen te analyseren (Blauw-Groen, Groen-Rood, etc.), legt MLCB hoog-nauwkeurige beperkingen op die het aantal onleerbare DOF in grote systemen vermindert van $\sim 4n$ naar $\sim n$, wat het onleerbare fractie effectief met 75% vermindert.

Belangrijkste bijdragen

• Protocolontwikkeling: De formulering van MLCB, die gebruikmaakt van de beperkingen die inherent zijn aan effectieve ruismodellen om informatie te extraheren uit multi-layer circuits die ontoegankelijk is voor single-layer CB.
• Theoretische Analyse: Een systematische afleiding die aantoont hoe MLCB specifieke DOF ontsluit in zowel open als gesloten ketens van qubits, en bewijst dat het de ratio's van onleerbare eigenwaarden kan bepalen voor willekeurige combinaties van Clifford-lagen.
• Experimentele Validatie: Implementatie van MLCB op de IQM Garnet™ 20-qubit supergeleidende processor. Het experiment heeft succesvol verschillen tussen producten van Pauli-eigenwaarden gemeten die statistisch incompatibel zijn met nul, waarmee de algemene aanname dat onleerbare eigenwaarden symmetrisch of gelijk aan hun conjugaten zijn, experimenteel heeft weerlegd.
• Numerieke Simulatie: Demonstratie dat het integreren van MLCB-data in de fitting van SPL-ruismodellen de reconstructiefout (gemeten als $L_1$-afstand) aanzienlijk vermindert vergeleken met het gebruik van alleen standaard CB en methoden met lage nauwkeurigheid.

Resultaten

• Reductie in onleerbare DOF: In realistische scenario's met dichte CZ-lagen op een vierkante topologie, vermindert MLCB het aantal onleerbare ruisvrijheidsgraden met tot wel 75%.
• Experimenteel Bewijs: Op de IQM Garnet™ processor waren de gemeten verschillen tussen cross-layer eigenwaarde-producten consistent niet-nul (met een statistische significantie tot ~99,5%), wat bevestigt dat de symmetrie-aannames die vaak worden gebruikt om onleerbare parameters te schatten, in echte hardware worden geschonden.
• Verbeterde Karakteriseringsnauwkeurigheid: Numerieke simulaties op 20-qubit systemen tonen aan dat het gebruik van MLCB-data leidt tot een nauwkeurigere reconstructie van het onderliggende ruismodel. De ratio van reconstructiefouten ($r = \Delta_{MLCB} / \Delta_{CB}$) was consistent lager dan 1, vaak in het bereik van 0,5 tot 0,8, wat wijst op een substantiële verbetering van de modelgetrouwheid.
• Verbeterde Foutmitigatie: De verbeterde ruischaracterisering vertaalt zich direct naar een betere prestatie van Probabilistic Error Cancellation (PEC). Simulaties toonden aan dat het gebruik van door MLCB gekarakteriseerde modellen de standaarddeviatie van de PEC-bias met bijna drie keer verminderde vergeleken met conventionele karakteriseringsmethoden.

Significantie
Het artikel positioneert MLCB als een schaalbaar, praktisch en middelen-efficiënt instrument voor precieze ruischaracterisering. Door de afhankelijkheid van methoden met lage nauwkeurigheid voor onleerbare parameters aanzienlijk te verminderen, maakt MLCB nauwkeurigere effectieve ruismodellen mogelijk. Dit verhoogt op zijn beurt de prestaties van ruisbewuste foutmitigatietechnieken, die cruciaal zijn voor het bereiken van betrouwbare kwantumcomputatie op nabije hardware (near-term devices). De auteurs benadrukken dat hoewel MLCB de specifieke bottleneck van beperkte leerbaarheid aanpakt, het opereert binnen de bredere context van experimentele imperfecties (zoals temporele drift), en dat de implementatie ervan minimale overhead vereist (ongeveer 7% extra circuit-runs) om een 75% reductie in onleerbare DOF te bereiken. Het werk complementeert theoretische kaders voor Pauli-ruis leerbaarheid door een concrete operationele methode te bieden voor 2D QPUs met vierkante topologieën.