Noise-Robust Estimation of Quantum Observables in Noisy Hardware

Titel: Ruisonvaste Schatting van Kwantumobservabelen in Ruizige Hardware

Auteurs: Amin Hosseinkhani et al. (IQM Quantum Computers & Ludwig-Maximilians-Universität München)

---

1. Het Probleem

De praktische bruikbaarheid van kwantumcomputing wordt momenteel beperkt door ruis op Noisy Intermediate-Scale Quantum (NISQ) apparaten. Hoewel kwantumfoutcorrectie (QEC) een langetermijndoel is, is kwantumfoutmitigatie (QEM) essentieel om betrouwbare resultaten te verkrijgen uit huidige hardware.

Bestaande methoden hebben echter aanzienlijke beperkingen:

• Ruisbewuste methoden (zoals Probabilistic Error Cancellation, PEC) vereisen gedetailleerde ruismodellen. Onnauwkeurigheden in het karakteriseren van ruis leiden tot resterende bias (systematische fouten).
• Ruis-agnostische methoden (zoals Zero-Noise Extrapolation, ZNE) vermijden expliciete modellering maar kampen met twee grote uitdagingen:
  1. Modelmismatch: In niet-Clifford circuits volgt de ruis vaak een multi-exponentiële afname, terwijl ZNE vaak eenvoudige modellen (polynomen of single-exponentieel) gebruikt, wat tot bias leidt.
  2. Onvolmaakte ruisversterking: Technieken zoals "pulse-level stretching" of "gate-level folding" versterken ruis niet uniform omdat experimentele ruiskanalen vaak niet commuteren met de circuit-unitaires.
• Sampling-overhead: Veel bestaande technieken vereisen een steekproefomvang die exponentieel groeit met de circuitgrootte en foutpercentages, wat schaalbaarheid belemmert.

2. Methodologie: Noise-Robust Estimation (NRE)

De auteurs introduceren Noise-Robust Estimation (NRE), een ruis-agnostisch framework dat bias onderdrukt via een tweestaps post-processing protocol. Het kernidee is het combineren van meetdata van een doelcircuit en een bijbehorend ruisannulerend circuit (noise-canceling circuit, ncc) om een schatter te bouwen die minder gevoelig is voor ruis.

Het proces verloopt als volgt:

A. Constructie van het Ruisannulerend Circuit (ncc):

• Het ncc heeft dezelfde structuur als het doelcircuit, maar alle niet-Clifford poorten worden vervangen door de dichtstbijzijnde Clifford-poorten (gebaseerd op de Frobenius-norm).
• De ideale (ruisvrije) verwachtingswaarde van het ncc is klassiek efficiënt berekenbaar.

B. Stap 1: Basisschatting (Baseline Estimation):

• Er worden metingen uitgevoerd bij verschillende ruisversterkingsfactoren ($\lambda_i$).
• Een auxiliaire grootheid $A$ wordt geconstrueerd die de meetwaarden van het doelcircuit en het ncc combineert. Deze grootheid is ontworpen om minder gevoelig te zijn voor ruis dan de directe meting.
• Een controleparameter ($n$) wordt geoptimaliseerd zodat de hulpvariabele bij de laagste ruisfactor ($\lambda_1$) dient als een schatter voor de ideale verwachtingswaarde. Dit resulteert in een basisschatter ($\langle O \rangle_{b-NRE}$).

C. Stap 2: Bias-Dispersion Correlatie en Extrapolatie:

• De auteurs ontdekken een fundamentele relatie: de grootte van de resterende bias van de basisschatter correleert met de genormaliseerde dispersie ($D$) van de auxiliaire grootheid $A$ over de verschillende ruisrealisaties.
• $D$ wordt gedefinieerd als de gemiddelde absolute afwijking (MAD) van de set $A$-waarden, genormaliseerd door de MAD van de doelcircuit-metingen.
• Logica: Als de ruisversterking imperfect is of de circuits niet perfect matchen, varieert $A$ sterk met $\lambda$. Als de variatie klein is (d.w.z. $D \to 0$), verdwijnen de bijdragen van imperfecte ruisversterking en nemen de resterende bias-termen af.
• Proces: Door klassieke bootstrapping te gebruiken, wordt een ensemble van basisschatters gegenereerd met verschillende waarden van $D$. Vervolgens wordt een regressie uitgevoerd om de schatter te extrapoleren naar de limiet $D \to 0$. Dit levert de definitieve, bias-gereduceerde schatting op.

3. Belangrijkste Bijdragen

1. NRE Framework: Een nieuw, ruis-agnostisch protocol dat geen gedetailleerd ruismodel vereist en toch effectief bias onderdrukt.
2. Diagnostische Grootheid ($D$): De introductie van de genormaliseerde dispersie als een meetbaar diagnostisch middel om de grootte van de resterende bias te kwantificeren. Dit stelt de gebruiker in staat om de kwaliteit van de schatting te beoordelen zonder de "ware" waarde te kennen.
3. Tweestaps Post-Processing: Een innovatieve aanpak die eerst een robuuste basisschatter construeert en deze vervolgens verfijnt door te extrapoleren naar een situatie van minimale dispersie.
4. Experimentele Validatie: Succesvolle implementatie op echte hardware (IQM Garnet, 20 qubits) met complexe circuits (tot 480 verstrengelende CZ-poorten).

4. Resultaten

De methode is getest op twee scenario's:

1. Transvers-veld Ising Model (TFIM): Schatting van de grondtoestandsenergie op een 20-qubit processor.
2. H4 Molecule: Een kwantumchemisch probleem met een dichter Hamiltonian en diepere circuits (tot 264 poortdiepte).

Kernresultaten:

• Bias-reductie: NRE presteert consistent beter dan bestaande methoden zoals ZNE, Clifford Data Regression (CDR), en de methode van Urbanek et al. De resterende bias is aanzienlijk lager, zelfs bij hoge ruisniveaus waar andere methoden falen.
• Robuustheid: NRE is minder gevoelig voor de keuze van de ruisversterkingsfactoren en de extrapolatiemodellen dan ZNE.
• Chemische Precisie: Voor het H4-molecuul bereikte NRE een nauwkeurigheid binnen de drempel van chemische precisie (0,00159 Ha), zelfs wanneer de gemeten energie door ruis met 90% werd onderdrukt.
• Sampling-overhead: Hoewel er een sampling-overhead is, is deze moderater dan bij veel andere methoden. De regressiestap in NRE vermindert de variance van de schatter, wat leidt tot een effectieve vermindering van de samplingkosten ten opzichte van de basisschatter (factoren van ~6x verbetering in de overhead in simulaties).

5. Betekenis en Toekomstperspectief

• Praktische Toepasbaarheid: NRE biedt een praktische oplossing voor foutmitigatie op huidige NISQ-apparaten zonder de noodzaak van complexe ruischaracterisatie.
• Schaalbaarheid: De methode vereist slechts één ncc-circuit per doelcircuit (in tegenstelling tot CDR die veel trainingscircuits nodig heeft), wat de schaalbaarheid verbetert.
• Toekomstige Richtingen: De auteurs suggereren dat NRE kan worden geïntegreerd met andere ruisonderdrukkingsmethoden en kan worden uitgebreid naar logische qubits in hybride QEC-scenario's. Het gebruik van machine learning voor de regressiestap of voor het optimaliseren van de constructie van het ncc-circuit wordt gezien als veelbelovend.

Conclusie:
NRE stelt een nieuwe standaard voor ruis-agnostische foutmitigatie. Door de correlatie tussen de variatie van een auxiliaire grootheid en de grootte van de bias te benutten, biedt het een robuuste manier om betrouwbare kwantumberekeningen uit te voeren op hardware die nog niet volledig fouttolerant is.