Hardware-Efficient Error Mitigation and Shot-Efficient Sampling on IBM Quantum Hardware

In de stille brom van een serverruimte leert een nieuw soort computer te denken. Deze machines, gebouwd uit supergeleidende circuits die zijn afgekoeld tot temperaturen kouder dan de diepe ruimte, beloven problemen op te lossen die de huidige supercomputers millennia zouden kosten om te kraken. Maar er is een addertje onder het gras: deze quantumcomputers zijn ongelooflijk fragiel. De kleinste trilling of warmte kan ervoor zorgen dat hun berekeningen fout gaan. Omdat we nog niet in staat zijn om machines te bouwen die volledig immuun zijn voor deze fouten, hebben wetenschappers een reeks trucjes ontwikkeld die foutmitigatie worden genoemd. Deze trucjes repareren niet de kapotte onderdelen van de machine; in plaats daarvan proberen ze te raden wat het juiste antwoord had moeten zijn door dezelfde berekening vele malen uit te voeren en te zoeken naar patronen in de fouten. De hoop is dat we door deze ruisige resultaten te combineren, een helder signaal uit de statische ruis kunnen extraheren.

Er zit echter een verborgen kostenpost aan deze trucjes. Om een betere gok te krijgen, moet de computer de berekening vaker uitvoeren, waarbij een beperkte hulpbron wordt verbruikt die bekend staat als "shots", wat simpelweg het aantal keren is dat de machine wordt gevraagd zijn resultaat te meten. Als je te veel shots uitgeeft om de fouten te corrigeren, eindig je misschien met een resultaat dat minder nauwkeurig is dan wanneer je de berekening slechts een paar keer had uitgevoerd en de ruis had geaccepteerd. Deze spanning tussen het corrigeren van fouten en het opraken van pogingen is het centrale puzzelstuk waar onderzoekers proberen op te lossen. Ze moeten precies weten wanneer deze correctiemethoden helpen en wanneer ze de boel juist verslechteren, vooral op de echte machines die vandaag de dag beschikbaar zijn.

Een onderzoeker aan het Indian Institute of Technology Jodhpur besloot deze balans te testen op een echte, werkende quantumcomputer. Ze gebruikten een krachtige 156-qubit processor van IBM, een machine die de voorhoede van de huidige technologie vertegenwoordigt. Hun doel was niet alleen om te zien of foutcorrectie werkte, maar om het eerlijk te meten door het totale aantal pogingen vast te houden. Stel je voor dat je een vaste hoeveelheid tijd hebt om een foto te maken van een bewegend object. Je kunt ofwel een lange sluitertijd gebruiken, die misschien bewogen is, of vele snelle snapshots maken en deze combineren. De onderzoeker wilde weten of het maken van veel snapshots en het combineren ervan met een specifiek wiskundig recept daadwerkelijk een helderder beeld zou geven dan het simpelweg nemen van één lange opname, gegeven dat de totale beschikbare tijd voor beide methoden gelijk was.

De onderzoeker stelde een reeks experimenten op met verschillende soorten circuits, wat de instructies zijn die aan de computer worden gegeven. Ze testten eenvoudige ketens van qubits, herhalende patronen van operaties en een specifiek type berekening dat wordt gebruikt voor optimalisatieproblemen. Ze vergeleken de ruwe, ongecorrigeerde resultaten met verschillende correctiestrategieën. Eén strategie hield in dat er werd gecorrigeerd voor fouten die optreden wanneer de machine het uiteindelijke antwoord uitleest. Een andere methode hield in dat de berekening werd uitgevoerd bij verschillende niveaus van kunstmatige ruis en dat er vervolgens wiskundig werd geraden wat het resultaat zou zijn als er geen ruis zou zijn. Ze testten ook een slimme, adaptieve methode die probeerde te beslissen hoeveel keer elk deel van de berekening moest worden uitgevoerd op basis van hoe ruisig dat specifieke deel leek te zijn.

De resultaten waren verrassend en genuanceerd. De onderzoeker kwam tot de ontdekking dat de slimme, adaptieve methode niet automatisch won. Sterker nog, wanneer ze de slimme methode vergeleken met een eenvoudige, uniforme methode waarbij elk deel van de berekening een gelijk aantal keren werd uitgevoerd, presteerde de slimme methode alleen beter in twee van de zes verschillende scenario's. In de andere vier scenario's was de eenvoudige, uniforme aanpak eigenlijk nauwkeuriger. Dit suggereert dat de complexe strategie om voortdurend het aantal pogingen aan te passen op basis van voorlopige ruiscontroles geen gegarandeerde verbetering is. Soms leidt de extra inspanning om "slim" te zijn over waar de shots aan worden besteed, juist tot een slechter eindantwoord.

Nog een belangrijke bevinding was dat de correctiemethoden de bias, of de systematische fout, niet altijd herstelden op de manier waarop wetenschappers hoopten. Voor één specif kind van berekening, waarbij een patroon van op- en neerwaartse toestanden betrokken was, maakte de methode die bedoeld was om ruis te verwijderen de fout zelfs groter dan deze daarvoor was. De onderzoeker observeerde dat wanneer de computer werd gevraagd een waarde te meten die zeer dicht bij de rand van wat mogelijk is lag, de wiskundige truc die gebruikt werd om de ruis te verwijderen soms doorschoot, waardoor het antwoord verder van de waarheid af kwam te liggen. Dit gebeurde zelfs toen de methode wijdverspreid gebruikt en vertrouwd is. Het toonde aan dat deze instrumenten geen toverstokjes zijn die in elke situatie werken; ze kunnen soms nieuwe problemen introduceren terwijl ze oude proberen op te lossen.

De studie benadrukte ook het belang van de fysieke lay-out van de computer zelf. De onderzoeker ontdekte dat simpelweg kiezen welke draden op de chip gebruikt worden voor de berekening een enorm verschil maakte. Wanneer ze een paar draden gebruikten die bekend stonden als laag-foutgevoelig, waren hun resultaten aanzienlijk beter dan wanneer ze een paar draden van dezelfde chip gebruikten die bekend stonden als hoog-foutgevoelig. Het verschil in kwaliteit tussen deze twee paren draden was zo groot dat het vergelijkbaar was met het verschil veroorzaakt door het toevoegen van meerdere extra lagen complexiteit aan de berekening. Dit betekent dat voordat men probeert fouten met software te herstellen, het net zo belangrijk kan zijn om zorgvuldig de beste fysieke onderdelen van de machine te selecteren om de code op uit te voeren.

Uiteindelijk concludeerde de onderzoeker dat er geen enkele, universele regel is voor wanneer men foutmitigatie moet gebruiken. De beslissing hangt volledig af van de specifieke machine, de specifieke berekening die wordt uitgevoerd, en het aantal beschikbare pogingen. Op de IBM-processor die zij testten, was de geteste adaptieve shot-allocatiestrategie niet superieur aan de eenvoudige, uniforme aanpak. In veel gevallen vergrootten de standaard foutcorrectiemethoden de onzekerheid van het resultaat in plaats van deze te verminderen. De onderzoeker heeft alle gegevens, code en de exacte instructies die zij gebruikten vrijgegeven, zodat anderen de experimenten kunnen herhalen. Hun werk dient als een herinnering dat in de ruisige wereld van de huidige quantumcomputing de meest geavanceerde oplossing niet altijd de beste is, en dat zorgvuldige, eerlijke tests vereist zijn voordat men besluit deze krachtige maar kostbare oplossingen toe te passen.