Quantum Error Mitigation at the pre-processing stage

Technische Samenvatting: Kwantumfoutmitigatie in de Pre-processing Fase

Probleemstelling
De realisatie van fouttolerante kwantumcomputers blijft een aanzienlijke uitdaging vanwege de hoge overhead aan qubits die vereist is voor Kwantumfoutcorrectie (QEC). Daarom vertrouwen huidige Noisy Intermediate-Scale Quantum (NISQ) apparaten op Kwantumfoutmitigatie (QEM) technieken om ruis in circuits met een gemiddelde diepte te onderdrukken. Standaard QEM-benaderingen opereren doorgaans in de post-processing fase, waarbij herhaalde uitvoering van circuits en statistische analyse van meetgegevens vereist zijn (bijv. Zero Noise Extraction, Probabilistic Error Cancellation). Hoewel effectief, brengen deze methoden vaak hoge bemonsteringsoverhead met zich mee of vereisen ze complexe tomografische strategieën, zoals Informationally Complete Positive Operator-Valued Measurements (IC-POVM), om de ruizige toestand te reconstrueren.

De auteurs stellen voor om het mitigatieparadigma te verschuiven naar de pre-processing fase. Het kernprobleem is het vinden van een "surrogaat-observabele" $Y$ zodanig dat de verwachtingswaarde ervan op een ruizige kwantumtoestand $E(\rho)$ exact overeenkomt met de verwachtingswaarde van een doel-observabele $X$ op de ideale, ruisvrije toestand $\rho$. Wiskundig vereist dit het oplossen van $E^\dagger(Y) = X$, waarbij $E^\dagger$ de adjoint is van het ruiskanaal. Hoewel dit theoretisch is verkend door Watanabe et al., werd deze benadering als onpraktisch beschouwd omdat het construeren van $Y$ doorgaans het bijhouden van een exponentieel aantal termen vereist of het inverteren van grote matrices, wat computationeel onhandelbaar is voor grote systemen.

Methodologie
Het artikel introduceert een schaalbaar framework om de surrogaat-observabele $\hat{Y}$ te berekenen en te implementeren met behulp van Tensor Netwerken (TN) en het Pauli-Lindblad ruismodel.

1. Theoretisch Kader: De auteurs modelleren het ruizige circuit als een concatenatie van unitaire lagen en ruiskanalen. Ze drukken de relatie tussen de doel-observabele $X$ en de surrogaat $\hat{Y}$ uit in de Pauli Transfer Matrix (PTM) representatie. De oplossing behelst het inverteren van het adjoint kanaal $E^\dagger$.
2. Tensor Netwerk Representatie: Om de exponentiële complexiteit aan te pakken, representeren de auteurs het kwantumkanaal en de observabelen met behulp van Matrix Product Operators (MPO) en Matrix Product States (MPS). Ze hanteren een "middle-out" contractiestrategie, beginnend vanuit het centrum van het circuit (waar de ruizige voorwaartse evolutie de geïnverteerde ideale evolutie ontmoet) en contracterend naar buiten toe.
3. Compressie: Om de computationele handelbaarheid te behouden, wordt de MPO die het inverse kanaal representeert na elke iteratie gecomprimeerd met behulp van Randomized Singular Value Decomposition (RSVD) tot een vaste bond-dimensie.
4. Dominant Component Approximation (DCA): Een belangrijke bevinding is dat voor het specifieke geval waar de doel-observabele een enkele Pauli-string is ($X = P_i$), de resulterende surrogaat-observabele $\hat{Y}$ wordt gedomineerd door het diagonale element van de inverse contractiematrix. De off-diagonaal termen zijn verwaarloosbaar klein vergeleken met de diagonale term. Bijgevolg stellen de auteurs voor om $\hat{Y}$ simpelweg te benaderen als een geschaalde versie van de originele Pauli-operator: $\hat{Y} \approx [M^\dagger_L]^{-1}_{i,i} P_i$. Dit elimineert de noodzaak om de volledige set Pauli-componenten te meten of complexe probabilistische sampling uit te voeren.

Belangrijkste Bijdragen

• Pre-processing Benadering: Het werk toont aan dat het haalbaar is om een surrogaat-observabele $\hat{Y}$ te vinden in praktische opstellingen, waardoor de mitigatie verschuift van post-processing naar de meetfase.
• Optimaliteit: De afgeleide estimator $\hat{Y}$ laat zien de Quantum Cramér-Rao Bound (QCRB) te verzadigen, wat een optimale estimator met minimale variantie oplevert.
• DCA Approximatie: De introductie van de Dominant Component Approximation (DCA) maakt de schatting van verwachtingswaarden mogelijk door enkel de originele observabele te meten en het resultaat te schalen, waardoor de exponentiële meetoverhead van volledige tomografie of probabilistic error cancellation wordt vermeden.
• Computationele Efficiëntie: De methode elimineert de noodzaak voor IC-POVM's en de constructie van "Dual Operators" die vereist zijn voor Tensor Error Mitigation (TEM).

Resultaten
De auteurs hebben hun methode getest tegenover Probabilistic Error Cancellation (PEC) en Tensor Error Mitigation (TEM) met behulp van een 10-qubit transverse-field Ising model met sparse Pauli-Lindblad ruis.

• Nauwkeurigheid: De DCA-methode bereikt een nauwkeurigheid die vergelijkbaar is met TEM, waarbij beide methoden een vergelijkbare divergentie vertonen ten opzichte van de ideale waarde. Echter, DCA vertoont een lagere bias dan TEM bij grotere circuitdieptes in bepaalde configuraties.
• Sampling Overhead: De meetoverhead ($\gamma$) van de DCA-methode nadert de theoretische ondergrens zeer dicht, waarbij deze iets beter presteert dan TEM en significant beter dan PEC over diverse circuitdieptes.
• Computationele Complexiteit: Het meest significante resultaat is de reductie in klassieke computationele kosten. Terwijl TEM een enorm aantal tensorcontracties vereist (één voor elke circuituitvoering in de post-processing fase), vereist DCA slechts één enkele tensorcontractie om de schalfactor te bepalen.
  • In praktische simulaties rapporteren de auteurs een versnelling van ongeveer $10^6$ keer vergeleken met TEM. Voor een evolutie van 20 stappen duurde TEM 10 dagen om te berekenen, terwijl de voorgestelde methode dezelfde taak in minder dan 5 seconden voltooide op identieke hardware.

Betekenis en Claims
Het artikel claimt dat deze benadering een levensvatbaar pad biedt om de huidige kwanthardware te benutten door zowel de sampling-overhead als de klassieke computationele last aanzienlijk te verminderen. Door de noodzaak voor informatie-complete metingen en complexe post-processing te vermijden, maakt de methode hoogwaardige foutmitigatie toegankelijker voor nabije hardware (near-term devices).

De auteurs positioneren QEM niet als een tijdelijke oplossing die gedoemd is te worden vervangen door QEC, maar als een complementaire methodologie. Zij argumenteren dat de integratie van QEC en QEM een veelbelovende weg is voor het verbeteren van kwantumprestaties, en dat innovatieve strategieën zoals de voorgestelde methode essentieel zijn voor het versnellen van de transitie naar fouttolerantie. Het werk benadrukt specifiek dat door gebruik te maken van de structuur van de ruis (sparse Pauli-Lindblad) en de efficiëntie van Tensor Netwerken, het "onhandelbare" probleem van het vinden van een surrogaat-observabele kan worden opgelost met beheersbare middelen.