Error-mitigation aware benchmarking strategy for quantum optimization problems

Technische Samenvatting: Foutcompensatie-bewuste Benchmarkingstrategie voor Kwantumoptimalisatieproblemen

Probleemstelling
Het beoordelen of ruisgevoelige NISQ-devices (Noisy Intermediate-Scale Quantum) een kwantumvoordeel kunnen demonstreren voor optimalisatietaken is cruciaal, met name voor problemen waarbij klassieke verificatie onhandelbaar is. Hoewel frameworks voor entropie-benchmarking zijn voortgekomen als een rigoureus instrument om fysieke entropie te koppelen aan prestatievermindering, kampen deze met aanzienlijke beperkingen in realistische experimentele settings. Specifiek houden bestaande methoden geen rekening met eindige-shot statistieken of Kwantumfoutcompensatie (QEM). QEM-technieken, zoals Probabilistische Fouteliminatie (PEC), verminderen de schattingsbias door deze in te ruilen voor een verhoogde sampling-overhead (negativiteit). Bij gevolg is de fysieke toestandsentropie niet langer een nauwkeurige weergave van de kwaliteit van de foutgecompenseerde schatting, waardoor deterministische entropie-energiecurves ontoereikend zijn voor het karakteriseren van de end-to-end prestaties van statistische, foutgecompenseerde berekeningen. Bovale is er een gebrek aan kwantitatieve, taakspecifieke criteria om te bepalen of het toepassen van QEM het kwantumvoordeel onder een vastgesteld shot-budget daadwerkelijk verbetert of ondermijnt.

Methodologie
De auteurs stellen een benchmarkingframework voor dat expliciet eindige-shot statistieken en de door QEM geïnduceerde resource-overhead incorporeert. De kern van de methodologie bestaat uit het herdefiniëren van "kwantumvoordeel", niet als een deterministische energiewaarde, maar als de betrouwbaarheid (succeskans) dat een geschatte energie binnen een klassiek gecertificeerd interval $[E_-, E_+]$ ligt, waarbij $E_-$ en $E_+$ de nauwkeurigst bekende onderste en bovenste grenzen zijn voor de ware grondtoestandsenergie $E_0$.

Belangrijke methodologische componenten zijn:

1. Statistische Modellering: Het framework gaat ervan uit dat de energieverdeling die door PEC wordt opgeleverd, een normale verdeling $N(E_0, \sigma^2)$ volgt, gecentreerd op de ware grondtoestand. De variantie $\sigma^2$ is gekoppeld aan de sampling-overhead (negativiteit $\gamma$) en het aantal shots ($N_{shots}$) via de relatie $N_{shots} \propto \gamma^2 / \sigma^2$.
2. Formulering van de Succeskans: De succeskans $P_{success}$ wordt berekend als de kansmassa van de geschatte energieverdeling die binnen het interval $[E_-, E_+]$ valt. Voor PEC is dit afgeleid met behulp van de foutfunctie op basis van de totale sampling-overhead $\gamma_{tot}$ en het shot-budget.
3. Benadering voor Onbekende $E_0$: Omdat $E_0$ onbekend is in de doeltoepassing, introduceren de auteurs een proxy-succeskans $\tilde{P}_{success}$ door aan te nemen dat het gemiddelde van de foutgecompenseerde verdeling het middelpunt van de klassieke grenzen is, $(E_- + E_+)/2$.
4. Vergelijking met Ruwe Resultaten: Het framework berekent ook de succeskans voor ongecompenseerde (ruwe) metingen. In dit geval is de verdeling vertekend ($E_{noisy} \neq E_0$) maar heeft deze een lagere variantie. De succeskans voor ruwe data hangt af van zowel de variantie als de verschuiving in het gemiddelde veroorzaakt door ruis.
5. Casestudy: Het framework wordt toegepast op de grondtoestandsenergie-schatting van een 2D Fermi-Hubbard model op een $8 \times 8$ rooster ($L=64$ sites, $n=128$ qubits) met behulp van een Hamiltonian Variational Ansatz (HVA) circuit van diepte $D=64$ onder globale depolariserende ruis.

Belangrijkste Resultaten
Door middel van numerieke proof-of-principle studies demonstreren de auteurs dat het framework de parameterruimte van het ruisniveau ($P$) en het aantal shots ($N_{shots}$) effectief opdeelt in drie onderscheidende regimes:

• Raw Regime (Rauw Regime): In omgevingen met lage ruis en voldoende shots levert de ruwe (ongecompenseerde) strategie een hogere succeskans op dan PEC. Hier is de sampling-overhead van PEC overbodig en is de bias in de ruwe data verwaarloosbaar.
• PEC Regime: Naarmate de ruis toeneemt, verschuift de bias in de ruwe data het gemiddelde buiten het succesinterval, wat de succeskans vermindert. Daarentegen houdt PEC het gemiddelde op $E_0$, maar vergroot het de variantie. In een intermediair ruisregime biedt PEC een hogere succeskans dan ruwe sampling, waardoor het de voordelige strategie is.
• None Regime (Geen Regime): Bij hoge ruisniveaus of extreem lage shot-budgets bereikt geen van beide strategieën de gedefinieerde drempelwaarde (vastgesteld op 0,95 in de studie). In deze regio's is kwantumvoordeel niet gegarandeerd, ongeacht de mitigatiestrategie.

De studie onthult dat de transitie tussen deze regimes niet triviaal is. Zo kan het verhogen van het aantal shots in de ruwe strategie voorbij een bepaalde ruisdrempel paradoxaal genoeg de succeskans verlagen, omdat de verdeling meer gepiekt raakt rond een vertekend gemiddelde dat buiten het doelinterval ligt.

Betekenis en Claims
Het artikel claimt een taakniveau-criterium te bieden voor het beoordelen van potentieel praktisch kwantumvoordeel op nabije hardware. De primaire betekenis ligt in:

• Verder gaan dan deterministische metrieken: Het verschuift het benchmarking-paradigma van deterministische entropie-energie-mappings naar een statistische beoordeling van betrouwbaarheidsintervallen, wat essentieel is voor experimenten met eindige shots en foutcompensatie.
• Operationele besluitvorming: Het framework biedt eindgebruikers een lichtgewicht numeriek instrument om te bepalen wanneer QEM moet worden ingezet. Het identificeert specifieke "Goldilocks-zones" waar hardware-ruis en beschikbare shot-budgetten zodanig samenvallen dat PEC de kans op het behalen van kwantumvoordeel zinvol verbetert.
• Realistische beperkingen: Door expliciet de afweging tussen bias-reductie en sampling-overhead te modelleren, adresseert het framework de praktische beperkingen van de huidige kwanthardware, in contrast met eerdere negatieve resultaten met betrekking tot de schaling van PEC.

De auteurs blijven bescheiden over hun claims en merken op dat hun analyse steunt op specifieke aannames (bijv. Gaussische verdelingen, perfecte karakterisering van ruis) en een specifieke Hamiltonian-instantie. Zij suggereren dat hoewel het framework is gedemonstreerd op het Fermi-Hubbard model, het toepasbaar is op andere rooster-Hamiltonians met beschikbare klassieke grenzen en kan worden uitgebreid naar andere QEM-protocollen.