Average-computation benchmarking for local expectation values in digital quantum devices

Deze paper introduceert een nieuwe benchmarkingsmethode voor digitale quantumapparaten die, door het middelen van het doelcircuit met varianten die dezelfde architectuur behouden, klassiek oplosbare correlatiefuncties mogelijk maakt om de algehele rekenkwaliteit en ruis te beoordelen zonder de circuitdiepte te vereenvoudigen.

De kern

De "Gemiddelde Rekenmachine": Hoe je een quantumcomputer test zonder hem te veranderen

Stel je voor dat je een gigantisch, nieuw gebouwd huis hebt. Je wilt weten of het stevig is, of de deuren goed sluiten en of het dak niet lekt. Maar er is een probleem: als je het huis te veel aanpakt om het te testen (bijvoorbeeld door muren af te breken om de constructie te zien), verandert je het huis misschien zelf, en is de test niet meer eerlijk.

Dit is precies het probleem met quantumcomputers. Ze zijn zo complex en gevoelig voor ruis (fouten) dat we ze moeilijk kunnen testen. Als we ze vereenvoudigen om ze te controleren, testen we niet meer het echte werk. Als we ze niet vereenvoudigen, kunnen we de resultaten niet controleren omdat zelfs supercomputers het niet kunnen berekenen.

De auteurs van dit paper hebben een slimme oplossing bedacht: "Gemiddelde Berekenings Benchmarking". Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het Probleem: De "Black Box"

Normaal gesproken testen we een quantumcomputer door te kijken naar één specifieke opdracht. Maar als die opdracht te ingewikkeld is, weten we niet wat het juiste antwoord zou moeten zijn. We kunnen alleen hopen dat de computer het goed doet.

• De oude manier: We testten alleen losse onderdelen (zoals een deurbeslag) of we maakten een heel simpele versie van het huis (een poppenhuis) om te testen. Maar een poppenhuis vertelt je niet of het echte huis veilig is.

2. De Oplossing: De "Chaos-Test"

De auteurs zeggen: "Laten we de computer niet veranderen, maar laten we de opdracht een beetje gek maken."

Stel je voor dat je een recept hebt om een taart te bakken. In plaats van het recept één keer te volgen, laten we de bakker 100 keer hetzelfde recept maken, maar met een klein, willekeurig verschil in elke stap:

• Soms gebruikt hij een snufje meer suiker.
• Soms een snufje minder.
• Soms roert hij linksom in plaats van rechtsom.

Elke individuele taart is anders en misschien niet perfect. Maar als je alle 100 taarten gemiddeld bekijkt, gebeurt er iets magisch:

• De willekeurige fouten (te veel suiker, te weinig suiker) heffen elkaar op.
• Het gemiddelde resultaat wordt zo voorspelbaar dat een simpele rekenmachine (een klassieke computer) het precies kan uitrekenen.

3. Hoe werkt het in de quantumwereld?

In het paper doen ze dit met de poorten (de "knoppen") van de quantumcomputer:

• Ze nemen elke poort in het circuit en vervangen deze door een willekeurige variant uit een groepje vergelijkbare poorten.
• Ze laten de computer deze "gemodificeerde" versie duizenden keren draaien.
• Ze kijken niet naar één resultaat, maar naar het gemiddelde van al die resultaten.

De magie:
Hoewel elke individuele draaiing van de computer te ingewikkeld is om te simuleren, is het gemiddelde van al die draaiingen zo simpel dat een gewone laptop het in een seconde kan berekenen.

4. Waarom is dit zo slim?

• Geen verandering: Ze hoeven het circuit niet kleiner te maken of de poorten te vereenvoudigen. Het huis blijft exact hetzelfde, alleen de bakkers doen het net iets anders.
• Detectie van fouten: Als de gemiddelde uitkomst van de quantumcomputer verschilt van wat de klassieke computer berekent, dan weet je zeker dat er ruis (fouten) in het systeem zit. Het is alsof je ziet dat de gemiddelde taart te zoet is; dan weet je dat er iets mis is met de suiker, zelfs als je niet weet welke specifieke taart het was.
• Geen extra apparatuur: Ze hebben geen extra "hulp-qubits" nodig. Het werkt direct met de bestaande hardware.

5. De "Ruimtetijd-Kanaal" (Een creatieve metafoor)

De auteurs gebruiken een wiskundig concept dat ze "ruimtetijd-kanaal" noemen.

• Stel je voor dat informatie door een tunnel reist. Normaal gesproken is de tunnel vol met gaten en obstakels (fouten).
• Door de poorten te randomiseren, maken ze de wanden van de tunnel zo glad en voorspelbaar dat de informatie er perfect doorheen kan reizen, als je naar het gemiddelde kijkt.
• Dit maakt het mogelijk om te meten hoe "glad" de tunnel echt is, zonder hem te moeten openbreken.

Conclusie: Waarom telt dit?

Vroeger moesten we kiezen tussen:

1. Een simpele test doen (die niet zegt of de echte computer goed werkt).
2. Een echte test doen (die we niet kunnen controleren).

Met deze nieuwe methode kunnen we de echte test doen en toch weten of het goed is. Het is alsof je een onbekende stad in het donker verkent, maar je hebt een magische kaart die je vertelt of je op de juiste weg bent, zonder dat je de stad hoeft te veranderen.

Dit is een grote stap voorwaarts om te vertrouwen op quantumcomputers die nu nog fouten maken, en om te zien of ze echt klaar zijn voor de toekomst.

Technische samenvatting

Probleemstelling

Naarmate kwantumapparaten evolueren naar het regime van "kwantumvoordeel" (waarbij ze taken uitvoeren die klassiek niet meer haalbaar zijn), wordt het steeds moeilijker om de kwaliteit van de berekeningen te beoordelen.

• Huidige beperkingen: Bestaande methoden focussen vaak op het testen van individuele poorten (bijv. gate tomografie of gerandomiseerde benchmarking). Dit geeft echter weinig inzicht in de algehele kwaliteit van de volledige berekening, vooral bij circuits met een gemiddelde diepte.
• De uitdaging: Verificatieschema's die de volledige output testen, vereisen vaak dat de ideale uitkomst bekend is of dat het circuit wordt vereenvoudigd (bijv. naar Clifford-circuits of kleinere dieptes) om klassiek simuleerbaar te zijn. Het probleem hierbij is dat het wijzigen van het circuit de ruisdynamiek verandert. Ruis is vaak sterk afhankelijk van de circuitarchitectuur en de specifieke poorten; daarom kunnen tests op vereenvoudigde circuits leiden tot onjuiste kwaliteitsbeoordelingen van het daadwerkelijke doelcircuit.
• Doel: Er is behoefte aan een benchmarking-methode die de kwaliteit van de hele berekening test, zonder de architectuur, diepte of grootte van het circuit te wijzigen, en waarbij de ideale uitkomst niet van tevoren bekend hoeft te zijn.

Methodologie: Average-Computation Benchmarking

De auteurs introduceren een nieuw schema genaamd "average-computation benchmarking". De kern van de methode is het vervangen van elke poort in het doelcircuit door een ensemble van vergelijkbare poorten.

1. Het Ensemble: In plaats van één specifieke poort $U_i$ uit te voeren, wordt deze willekeurig vervangen door een van de varianten uit een ensemble $\{U_{i,\alpha}\}$, gekozen volgens een verdeling $p_i$.
2. Ruimtetijdkanalen (Space-Time Channels): De sleutel tot de methode is het kiezen van een ensemble zodanig dat het gemiddelde van de kanalen die door deze poorten worden gegenereerd, een "ruimtetijd-kanaal" (space-time channel) vormt.
   • Een ruimtetijd-kanaal is een kwantumkanaal dat geldig blijft (compleet positief en spoorbehoudend) wanneer de rollen van ruimte en tijd worden omgewisseld.
   • Dit betekent dat het gemiddelde kanaal $E_{avg}$ voldoet aan specifieke eenheidseisen (unitality) in zowel de tijds- als de ruimterichting.
3. Twee Manieren van Berekenen:
   • Kwantumzijde: Men voert het circuit $R$ keer uit met verschillende willekeurige realisaties van de poorten (rondes) en berekent het gemiddelde van de meetresultaten: $\langle O \rangle_Q^{avg} = \frac{1}{R} \sum \langle O \rangle_{U[r]}$.
   • Klassieke zijde: Door de lineariteit van het gemiddelde kan het verwachte resultaat berekend worden als $\langle O \rangle_C^{avg} = \text{Tr}(O E_{avg}(\rho_0))$. Omdat $E_{avg}$ een ruimtetijd-kanaal is, kan dit klassiek efficiënt worden berekend (vaak via matrixvermenigvuldiging van overdrachtsmatrices), zelfs als de individuele circuits te complex zijn om klassiek te simuleren.
4. Behoud van Informatie: In tegenstelling tot het gebruik van volledig willekeurige (Haar-random) poorten, waarbij het gemiddelde signaal verdwijnt, zijn de door de auteurs voorgestelde ensembles zo ontworpen dat het gemiddelde signaal niet-nul is en afhankelijk blijft van de oorspronkelijke circuitparameters.

Belangrijkste Bijdragen

• Constructies voor Ensembles: De auteurs presenteren expliciete methoden om ensembles te bouwen die leiden tot 3-weg of 4-weg ruimtetijdkanalen voor willekeurige brickwork-circuits:
  • 4-weg averaging: Gebaseerd op een reflectiestrategie rond het "dual-unitary" punt of een variant van Pauli-twirling (toepassen van Pauli-poorten voor en na de poort). Dit behoudt informatie over de oorspronkelijke poort en maakt de berekening van 2-ligende correlatoren op afstand $2T+1$ klassiek haalbaar.
  • 3-weg averaging: Gebaseerd op het toepassen van een volledig depolariserend kanaal op één uitgangsbeen van de poort (of een combinatie met dephasing). Dit maakt de berekening van naburige 3-ligende observabelen haalbaar.
• Semidefiniete Programmering (SDP): De auteurs bieden een algemene "recept" om nieuwe ensembles te vinden via semidefiniete programmering. Hiermee kunnen ze zoeken naar ensembles die de Pauli-coëfficiënten van de originele poort maximaal behouden terwijl ze voldoen aan de eenheidsvoorwaarden van de ruimtetijdkanalen.
• Geen Ancilla Qubits: De methode vereist geen extra qubits of complexe metingen; elke realisatie lijkt sterk op het doelcircuit.

Resultaten en Validatie

• Gevoeligheid voor Ruis: De methode is gevoelig voor coherent ruis die door standaard Clifford-benchmarking wordt gemist. In een voorbeeld met een brickwork-circuit en een onnauwkeurige T-gate (coherent rotatiefout), toonden de auteurs aan dat het afwijken van het klassiek berekende gemiddelde de fout direct detecteert.
• Efficiëntie: Numerieke simulaties tonen aan dat de variantie van de meetuitkomsten klein blijft, zelfs bij toenemende circuitdiepte. Dit suggereert dat slechts een beperkt aantal circuitrealisaties (shots) nodig is om het gemiddelde verwachtingswaarde nauwkeurig te schatten.
• Decay van Correlaties: De correlaties die worden gebruikt voor benchmarking vervallen exponentieel met de circuitdiepte (bepaald door de eigenwaarden van de overdrachtsmatrices). Dit betekent dat de methode het meest geschikt is voor circuits met lage tot middelhoge diepte (near- en mid-term quantum devices).
• Toepasbaarheid op Ruimtelijke Dimensies: De auteurs tonen aan dat het concept kan worden uitgebreid naar 2D-systemen door gebruik te maken van ternaire unitairiteit en plaquette-kanalen.

Significantie

Deze paper introduceert een krachtig nieuw instrument voor de validatie van digitale kwantumcomputers:

1. Realistische Benchmarking: Het lost het dilemma op tussen het testen van het volledige circuit (wat klassiek onmogelijk is) en het vereenvoudigen van het circuit (wat de ruisdynamiek verandert). Het test het echte circuit zonder het te veranderen.
2. Detectie van Subtiele Fouten: Het kan coherent fouten detecteren die door bestaande methoden (zoals Clifford-benchmarking) worden genegeerd.
3. Klassieke Verificatie: Het biedt een manier om de uitkomst van een kwantumcomputer te verifiëren door deze te vergelijken met een klassiek berekende "gemiddelde" uitkomst, zelfs voor circuits die buiten het bereik van klassieke simulatie liggen.
4. Toekomstige Toepassingen: Naast hardware-karakterisering kan de methode ook worden gebruikt om de prestaties van klassieke simulatie-algoritmen voor veel-deeltjesdynamica te evalueren.

Samenvattend biedt deze "average-computation benchmarking" een brug tussen kwantumexperimenten en klassieke verificatie, waarbij de integriteit van de circuitarchitectuur en de ruisdynamiek behouden blijft.