Runtime-efficient zero-noise extrapolation from mixed physical and logical data

Probleemstelling

In het huidige "pre-fouttolerante" tijdperk van kwantumcomputing zijn volledige kwantumfoutcorrectie (QEC) en kwantumbestrijding van fouten (QEM) twee complementaire benaderingen.

• QEC vereist een enorme overhead aan fysieke qubits en controleoperaties om logische qubits te creëren met een verwaarloosbare foutkans. Dit is momenteel nog niet haalbaar op schaal.
• QEM (zoals Zero-Noise Extrapolation of ZNE) gebruikt extra circuitruns en klassieke nabewerking om ruis te mitigeren, maar vereist veel runs om statistische precisie te bereiken.

De centrale uitdaging is dat in de overgangsperiode gedeeltelijke QEC beschikbaar is, maar de resterende logische ruis nog steeds significant is en logische circuits veel trager zijn dan fysieke circuits (vanwege de overhead van het uitvoeren van logische poorten). De vraag is hoe men deze twee technieken het meest efficiënt kan combineren om de fysieke runtime te minimaliseren terwijl een doelprecisie wordt bereikt. Bestaande werken focussen vaak op logische prestaties, maar negeren de kosten van de fysieke uitvoeringstijd.

Methodologie

De auteurs introduceren een hybride strategie voor Zero-Noise Extrapolatie (ZNE) die datasets combineert van twee verschillende bronnen:

1. Logische data: Een klein aantal datapunten verkregen met gedeeltelijke kwantumfoutcorrectie (lage ruis, maar hoge uitvoeringstijd per run).
2. Fysieke data: Een groot aantal datapunten verkend zonder foutcorrectie (hoge ruis, maar zeer lage uitvoeringstijd per run).

Het model:

• De ruis in een circuit met $n$ poorten wordt gemodelleerd als $\lambda = np$.
• Met QEC wordt de effectieve poortfoutkans gereduceerd van $p$ naar $\gamma p$, waarbij $\gamma < 1$ een onderdrukkingfactor is (bijv. $\gamma \approx 0.1$).
• De auteurs analyseren de variantie van de schatter voor de ruisvrije waarde $O(0)$ en vergelijken de benodigde fysieke tijd ($\tau$) voor twee scenario's:
  • Scenario 1: Alle datapunten zijn logisch (alleen QEC).
  • Scenario 2: Een mix van datapunten (meestal fysiek, enkele logische).

Analytische afleiding:
De auteurs leiden af dat de variantie van de ZNE-schatting afhangt van de spreiding van de ruisniveaus ($\lambda$) in de dataset. Door een "anker" te gebruiken met lage ruis (logisch) en een "hefboom" met hoge ruis (fysiek), wordt de variantieversterking verminderd ten opzichte van het gebruik van alleen logische punten.
Ze tonen wiskundig aan dat voor Richardson-extrapolatie de verhouding tussen de benodigde fysieke tijd voor een puur logische aanpak ($\tau_1$) en een hybride aanpak ($\tau_2$) wordt gegeven door:
$$\frac{\tau_1}{\tau_2} \approx \frac{\#_1}{\#_2} \cdot \frac{N}{N_1}$$
Waarbij $\#_1$ en $\#_2$ variantieprefactoren zijn en $N_1$ het aantal logische punten is. Omdat $\tau_{logical} \gg \tau_{physical}$, levert het vervangen van de meeste logische runs door fysieke runs een enorme tijdsbesparing op, zelfs als de variantieprefactor iets verandert.

Belangrijkste Bijdragen

1. Concept van Hybride Data: Het voorstellen van een nieuwe ZNE-strategie die logische en fysieke datapunten mixt om de "ruishefboom" te maximaliseren zonder de hoge kosten van volledig logische uitvoering.
2. Analytische Variantie-Tijd Relatie: Het afleiden van een algemene formule die de relatie kwantificeert tussen de benodigde fysieke runtime en de precisie voor gemengde datasets.
3. Richardson-extrapolatie Optimalisatie: Het specifiek toepassen van dit model op Richardson-extrapolatie en het aantonen dat de optimale strategie bestaat uit één logisch datapunt (het anker) en veel fysieke datapunten.
4. Numerieke Validatie: Een proof-of-principle simulatie van een zes-spin transvers-veld Ising-model om de theorie te verifiëren.

Resultaten

• Theoretische Winst: Voor een effectieve ruisreductie van $\gamma \lesssim 0.1$ (waar QEC de foutkans met een orde van grootte vermindert), kan de hybride strategie de benodigde fysieke runtime met enkele ordes van grootte verminderen vergeleken met een strategie die alleen gebruikmaakt van foutgecorrigeerde data.
  • Voor lineaire extrapolatie wordt een factor van ongeveer 18x sneller bereikt.
  • Voor hogere-orde polynomen (Richardson) neemt deze winst toe naarmate de polynoomorde stijgt en $\gamma$ kleiner wordt (zie Tabel I in het artikel).
• Verminderde Variantie: De hybride datasets leiden tot een lagere variantie in de ruisvrije schatting dan puur op foutgecorrigeerde data gebaseerde extrapolatie van dezelfde orde, omdat de grotere spreiding in ruisniveaus de extrapolatie robuuster maakt.
• Simulatie: In de simulatie van het Ising-model (met $\gamma = 0.1$) resulteerde de mix van data (één logisch punt, twee fysieke punten) in een lagere variantie en een nauwkeurigere schatting van de magnetisatie dan alleen logische data, terwijl de totale uitvoeringstijd drastisch lager was.

Betekenis en Conclusie

Dit werk identificeert hybride foutcorrectie en foutmitigatie als een praktische en resource-efficiënte route naar kwantumcomputing vóór volledige fouttolerantie.

De kernboodschap is dat men niet hoeft te wachten tot volledige foutcorrectie beschikbaar is om hoogwaardige resultaten te behalen. Door een klein aantal dure, lage-ruis logische metingen te combineren met veel goedkope, hoge-ruis fysieke metingen, kan men de kosten (in tijd en qubits) van Zero-Noise Extrapolatie drastisch verlagen. Dit biedt een concrete strategie voor onderzoekers en hardware-ontwikkelaars om de prestaties van huidige en nabije toekomstige kwantumprocessors te maximaliseren tijdens de overgangsfase naar fouttolerantie.