Shallow randomized measurement in noisy quantum devices

Titel: Shallow Randomized Measurement in Noisy Quantum Devices
Auteurs: Gyungmin Cho en Dohun Kim (Seoul National University)

Probleemstelling

Hoewel quantumhardware verbeteringen ondergaat, blijven nabije apparaten beperkt door ruis en een beperkte circuitdiepte. Standaardprotocollen voor het leren van eigenschappen van quantumtoestanden, zoals classical shadows, kampen met een afruil: Random Pauli Measurements (RPM) zijn experimenteel eenvoudig maar inefficiënt voor laag-rang observables, terwijl Random Clifford Measurements (RCM) efficiënt zijn voor laag-rang observables maar diepe circuits ($O(n)$) vereisen die onhaalbaar zijn op de huidige noisy intermediate-scale quantum (NISQ) apparaten. Bestaande "shallow shadow"-benaderingen, primair gebaseerd op brickwork-circuits, bieden een middenweg maar missen vaak gesloten vorm-expressies voor de shadow channel en de inverse ervan, wat post-processing en uitbreidingen naar geavanceerde protocollen zoals derandomisering of foutenmitigatie bemoeilijkt. Bovendien vereisen de systematische voordelen van shallow measurements over diverse leer-taken (voorbij specifieke toepassingen) en hun robuustheid tegen experimentele ruis verdere theoretische en experimentele validatie.

Methodologie

De auteurs ontwikkelen een verenigd theoretisch kader gebaseerd op Clifford measurement ensembles, waarbij zij zich specifiek richten op block shadows. In deze benadering wordt het $n$-qubit systeem verdeeld in blokken van grootte $k$, waarbij onafhankelijke willekeurige Clifford-unitaries uit $Cl(k)$ worden toegepast op elk blok. Deze structuur maakt het volgende mogelijk:

1. Expliciete Analytische Formules: Afleiding van gesloten vorm-expressies voor de shadow channel, de inverse ervan, en de momenten die nodig zijn voor variantie-analyse, waardoor numerieke benaderingen die vaak bij brickwork-circuits nodig zijn, worden vermeden.
2. Integratie van Geavanceerde Protocollen: Het kader incorporeert derandomisering, multi-shot protocollen (het hergebruiken van meetbases), common randomized measurements (CRM) met bias-toestanden, en fout-gemitigeerde estimators.
3. Ruismodellering: Theoretische analyse van ruismodellen (layer-wise en post-unitary) onder de aanname dat Pauli-twirling fouten omzet in Pauli-kanalen, wat de constructie van fout-gemitigeerde estimators met de ruisgevoelige shadow channel mogelijk maakt.
4. Experimentele Validatie: Implementatie op IBM quantum hardware (tot 40 qubits, 46 lagen van twee-qubit gates) om gederandomiseerde block shadows, common randomized measurements met foutenmitigatie, en entanglement-enhanced machine learning te testen.

Belangrijkste Bijdragen en Resultaten

1. Theoretisch Kader en Derandomisering

• De auteurs combineren derandomisering met shallow measurements, waarbij ze deterministische meetbases verkrijgen waarvan de betrouwbaarheidsgrenzen niet groter zijn dan het gerandomiseerde gemiddelde.
• Resultaat: Numerieke en hardware-experimenten op het Cluster-Heisenberg model tonen aan dat gederandomiseerde block shadows minder metingen vereisen dan single-qubit derandomisering om energie-onzekerheid te schatten, zelfs in aanwezigheid van hardware-ruis.

2. Steekproefcomplexiteit en Typical-Case Schaling

• Het artikel stelt vast dat voor block shadows met $k2^k = \Omega(n)$, de shadow norm van observables met een begrensde Schatten 2-norm constant is in typische gevallen.
• Toestand-afhankelijke Observables: In tegen tegenstelling tot fixed-observable analyses, handelt het kader gecorreleerde instellingen af (bijv. toestandverificatie waarbij de observable de toestand zelf is). De auteurs tonen aan dat block shadows in het typical-case regime dezelfde schaling bereiken als globale random Clifford measurements.
• Zuiverheidsschatting (Purity Estimation): Een multi-shot zuiverheid-estimator wordt geconstrueerd. Theoretische grenzen geven aan dat voor typische toestanden de steekproefcomplexiteit vergelijkbaar schaalt met RCM, waarbij de $V_2/NS$ term onderdrukbaar is door meetbases te hergebruiken.

3. Common Randomized Measurements (CRM) en Foutenmitigatie

• Het kader breidt CRM uit naar shallow shadows, waardoor het gebruik van een bias-toestand $\sigma$ (die $\rho$ benadert) mogelijk wordt om variantie te verminderen.
• Foutenmitigatie: De auteurs breiden robuuste shadow-technieken uit naar block shadows. Experimenten op 40 qubits demonstreren dat foutenmitigatie de nauwkeurigheid van CRM aanzienlijk verbetert, zelfs wanneer de bias-toestand minder accuraat is (lagere bond dimension).

4. Entanglement-Enhanced Machine Learning

• De studie onderzoekt of klassieke machine learning (ML) modellen, getraind op data van entangling shallow measurements, beter presteren dan modellen getraind op single-qubit data.
• Resultaat: Door gebruik te maken van Kernel PCA op data van het Su–Schrieffer–Heeger (SSH) model, laten de auteurs zien dat twee-qubit block measurements ($k=2$) een scherpere fase-transitie signatuur opleveren nabij het kritieke punt ($w=1$) vergeleken met single-qubit measurements ($k=1$). De afgeleide van de fittingfunctie piekt bij $w \approx 1.026$, wat consistent is met het theoretische transitiepunt.

5. Efficiëntie van Post-Processing

• Vanwege de tensorproductstructuur van block shadows is de inverse shadow channel exact en in gesloten vorm berekenbaar. Dit staat in contrast met brickwork shadows, die vaak tensor-netwerk benaderingen of numerieke optimalisatie vereisen voor de inverse, wat een duidelijk voordeel biedt in de efficiëntie van post-processing.

Betekenis en Claims

Het artikel claimt dat shallow-depth metingen, specifal via het block-shadow framework, praktische voordelen bieden op ruisgevoelige quantumapparaten.

• Robuustheid: De voordelen van shallow measurements blijven bestaan ondanks experimentele ruis, zoals gevalideerd door hardware-experimenten.
• Veelzijdigheid: Het framework verenigt diverse klassieke shadow-varianten (gederandomiseerd, multi-shot, CRM, fout-gemitigeerd) onder één enkel theoretisch kader gebaseerd op Clifford ensembles.
• Schaalbaarheid: Door het gebruik van circuits met een logaritmische diepte ($O(\log n)$), overbrugt de benadering de kloof tussen eenvoudige lokale metingen en globale Clifford measurements, wat het onderzoek naar complexe quantumtoestanden en fysieke grootheden op huidige NISQ-hardware mogelijk maakt.
• ML Voordeel: De resultaten suggereren dat entangling measurements de klassieke representatie van quantum experimentele data voor machine learning taken kunnen verbeteren, wat potentieel het aantal experimenten vereist om grondtoestand-eigenschappen te leren of fase-transities te detecteren kan verminderen.

De auteurs hanteren een bescheiden standpunt door op te merken dat hun typical-case resultaten geen worst-case garanties impliceren (waarbij zij specifieke block-product tegenvoorbeelden aanhalen waar de schaling ongunstig is) en dat de benadering het meest effectief is voor systemen waar lokale correlaties significant zijn of waar bias-toestanden beschikbaar zijn.