Technische Samenvatting: Karakterisering van Tensornetwerken en Mitigatie van Readout-fouten

Probleemstelling

Readout-fouten blijven een dominante ruisbron in near-term intermediate-scale quantum (NISQ) apparaten, die de klassieke meetresultaten direct vervormen en taken zoals de schatting van verwachtingswaarden, tomografie en sampling-benchmarks beïnvloeden. Standaard methoden voor readout-foutmitigatie (REM) karakteriseren doorgaans een klassieke transitie-matrix $\Lambda$ die ideale distributies naar ruisgevoelige distributies mapt. Echter, de volledige karakterisering van $\Lambda$ schaalt exponentieel met de systeemgrootte ($2^N \times 2^N$). Om dit te omzeilen, maken bestaande methoden vaak gebruik van de aanname van onafhankelijke single-qubit readout-processen (ongecorreleerde modellen). Deze gefactoriseerde modellen verwaarlozen ruimtelijke correlaties veroorzaakt door crosstalk, gedeelde besturingslijnen en hardware-specifieke mechanismen. Dergelijke correlaties zijn vaak niet verwaarloosbaar in echte apparaten, met name voor niet-lokale observabelen en grootschalige sampling-taken, wat de prestaties van ongecorreleerde mitigatiestrategieën beperkt.

Methodologie

De auteurs stellen een verenigd tensornetwerk-raamwerk voor dat de readout-foutmatrix $\Lambda$ modelleert als een Matrix Product Operator (MPO). Deze representatie vangt op natuurlijke wijze lokale en kort-bereik correlaties met een polynomiale complexiteit.

1. Karakterisering via MPO-leren

• Representatie: De readout-foutmatrix $\Lambda_{x,y}$ (de waarschijnlijkheid van uitkomst $x$ gegeven de ware staat $y$) wordt gerepresenteerd als $|\text{Tr}(M^{[1]}_{x_1,y_1} \cdots M^{[N]}_{x_N,y_N})|^2$, waarbij $M^{[k]}$ lokale tensoren zijn met een eindige bond-dimensie $\chi$. Dit garandeert de positiviteit van de matrixelementen.
• Normalisatie: In tegengenset van Matrix Product Unitaries (MPU's), vereist het MPO-model alleen dat de rij-sommen gelijk zijn aan één ($\sum_x \Lambda_{x,y} = 1$), een zwakkere voorwaarde die geschikt is voor klassieke stochastische processen.
• Training: De MPO-parameters worden direct geleerd uit kalibratiedata (het voorbereiden en meten van producttoestanden) met behulp van een likelihood-gebaseerde optimalisatie. De verliesfunctie minimaliseert de negatieve log-likelihood van de geobserveerde uitkomsten, aangevuld met een strafterm om de normalisatievoorwaarde af te dwingen. Gradiënten worden efficiënt berekend via tensornetwerk-contractie.

2. Mitigatiestrategieën

Het raamwerk integreert het geleerde MPO-model in diverse REM-taken:

• Niet-lokale Observabelen: De ideale verwachtingswaarde $\langle O \rangle_{ideal}$ wordt geschat door de observabele (gerepresenteerd als een MPS) te contracteren met het inverse van de readout-foutmatrix ($\Lambda^{-1}$). De inverse wordt variationeel benaderd met behulp van een single-layer MPO om $\|\Lambda \Omega - I\|_F^2$ te minimaliseren.
• Globale Sampling: Om samples te herstellen van de ideale distributie $P_{ideal}$ gegeven ruisgevoelige samples, leert de methode een MPS-model voor $P_{ideal}$ door de likelihood van de ruisgevoelige data te maximaliseren onder de transformatie $P_{noisy} = \Lambda P_{ideal}$.
• Random Metingen: Voor taken zoals classical shadows en learning-gebaseerde tomografie (bijvoorbeeld met behulp van Locally Purified Density Operators, LPDO's), wordt het readout-foutmodel direct geïntegreerd in de optimalisatie-objectieve. In plaats van samples te post-processen, wordt de likelihood-functie aangepast om te sommeren over de ware toestanden, gewogen door de readout-foutmatrix $\Lambda$.
• Quantum Error Correction (QEC) Decoding: Voor 2D surface codes wordt het MPO-model gegeneraliseerd naar een Projected Entangled-Pair Operator (PEPO). Het readout-foutmodel wordt lokaal gefuseerd met de tensornetwerk van de decoder (PEPS) om gezamenlijke inferentie uit te voeren over data-fouten en readout-fouten, waarbij het syndroom-readout effectief wordt behandeld als een 'soft-information' input in plaats van 'hard-voted' bits.

Belangrijkste Resultaten

Experimentele Validatie (Supergeleidende Processor)

Experimenten werden uitgevoerd op de Baihua supergeleidende quantumchip (Quafu-platform) met 6-qubit ketens.

• Capturing van Correlaties: Het MPO-model ($\chi=4$) presteerde consequent beter dan het ongecorreleerde productmodel bij het karakteriseren van de volledige foutmatrix $\Lambda_{Full}$. Het MPO-model bereikte een relatieve afstand van $\approx 0.043$ van de volledige karakterisering, vergeleken met $\approx 0.074$ voor het ongecorreleerde model, wat het vermogen aantoont om gecorreleerde ruis te vangen die door standaardmodellen wordt gemist.
• Niet-lokale Observabelen: In experimenten op 7-qubit clustertoestanden verbeterde de MPO-gebaseerde REM de schatting van niet-lokale string-orde parameters aanzienlijk, met name voor langere strings waar fouten prominenter zijn.

Numerieke Simulaties

• Schaalbaarheid: Simulaties tot $N=20$ qubits toonden aan dat de sample-kosten die nodig zijn om het MPO-model te leren bijna lineair schalen met de systeemgrootte, een scherp contrast met de exponentiële kosten van volledige karakterisering.
• Globale Sampling: Voor random circuit sampling verbeterde de methode de Cross-Entropy Benchmarking (XEB) fidelity. Hoewel het genereren van nieuwe ideale samples een MPS vereist met een exponentieel groeiende bond-dimensie, slaagde de methode erin de XEB-fidelity direct uit ruisgevoelige samples te extraheren via tensor-contractie, waardoor de readout-bias werd geëlimineerd zonder expliciete sampling.
• Random Metingen: In de context van classical shadow-estimatie en LPDO-gebaseerde tomografie van een 1D XY-model Gibbs-toestand, reduceerde de REM-methode de bias in magnetisatie-schattingen aanzienlijk en verbeterde het de dichtheidsmatrix-reconstructie vergeleken met ongecorrigeerde methoden.
• QEC Decoding: Simulaties op een distance-$d=7$ geroteerde surface code toonden aan dat de PEPO-gefuseerde decoder de logische foutenrate aanzienlijk verminderde vergeleken met standaard decoders, vooral in regimes met hoge readout flip-rates. De methode maakte effectief gebruik van de 'soft information' van herhaalde metingen en presteerde beter dan majority-vote benaderingen.

Betekenis en Claims

Het artikel vestigt tensornetwerk-readout-foutmitigatie als een schaalbare en veelzijdige benadering voor ruisbewuste quantum dataverwerking. De belangrijkste bijdragen zijn:

1. Verenigd Raamwerk: Het biedt een enkelvoudig MPO/PEPO-formalisme dat gecorreleerde readout-fouten behandelt voor diverse toepassingen, van lokale observabelen tot globale sampling en QEC-decoding.
2. Efficiëntie: De aanpak vermijdt de exponentiële overhead van volledige foutkarakterisering terwijl het correlaties vangt die ongecorreleerde modellen missen. De sample-complexiteit groeit bijna lineair met de systeemgrootte.
3. Praktische Bruikbaarheid: Experimentele resultaten op echte hardware bevestigen dat gecorreleerde readout-fouten significant zijn en dat het MPO-model deze effectief kan mitigeren.
4. Integratie: Het raamwerk is ontworpen als een bouwsteen die kan worden geïntegreerd in bestaande algoritmen (zoals classical shadows en QEC-decoders), in plaats van enkel als een post-processing stap te fungeren.

De auteurs concluderen dat deze methode een veelbelovende route biedt naar betrouwbare extractie van fysieke informatie uit zowel near-term als toekomstige fouttolerante quantumapparaten, met name door het mogelijk maken van de behandeling van measurement crosstalk binnen een verenigd tensornetwerk-inferentieprobleem.