Mitigating Errors on Superconducting Quantum Processors through Fuzzy Clustering

Resumo Técnico: Mitigação de Erros em Processadores Quânticos Supercondutores através de Agrupamento Difuso (Fuzzy Clustering)

Definição do Problema
A utilidade prática do hardware quântico supercondutor é atualmente limitada pelas restrições da era NISQ (Noisy Intermediate-Scale Quantum): um número modesto de qubits e altos níveis de erros de controle e leitura. Esses erros decorrem do acoplamento intencional com o ambiente externo necessário para manipulação e leitura, bem como de vazamento de estado (state leakage) e acoplamento cruzado. Embora a Correção de Erros Quânticos (QEC) ofereça uma solução de longo prazo, ela requer um overhead de hardware significativo (milhares a centenas de milhares de qubits físicos) que é atualmente inviável. Consequentemente, técnicas de Mitigação de Erros Quânticos (QEM) são essenciais para melhorar a precisão dos valores de expectativa em dispositivos atuais. Métodos de QEM existentes, como a Extrapolação de Ruído Zero (ZNE) ou o Cancelamento de Erro Probabilístico (PEC), frequentemente exigem altos custos de amostragem ou ajustes complexos de parâmetros. Além disso, demonstrações anteriores de QEM baseadas em Fuzzy C-Means (FCM) foram limitadas a simuladores quânticos ruidosos e não haviam sido validadas em hardware NISQ real.

Metodologia
Os autores propõem e validam experimentalmente uma técnica de QEM baseada em agrupamento Fuzzy C-Means (FCM) para identificar e corrigir padrões de erro de medição. O fluxo de trabalho envolve três etapas primárias:

1. Criação do Conjunto de Dados: O registrador de 2 qubits é inicializado em todos os quatro estados da base computacional ($|00\rangle, |01\rangle, |10\rangle, |11\rangle$). Para cada estado, $t$ experimentos são executados para coletar vetores de probabilidade que representam os resultados de leitura. Isso gera quatro conjuntos de dados ($D_i$), cada um contendo instâncias de probabilidades de medição.
2. Agrupamento Difuso (Fuzzy Clustering): O algoritmo FCM é aplicado a cada conjunto de dados para agrupar os vetores de probabilidade em diferentes padrões de erro. Diferente do agrupamento rígido (hard clustering), o FCM atribui um grau de pertinência a cada instância para cada cluster. O número ideal de clusters é determinado maximizando o coeficiente de partição difusa ($f_{pc}$).
3. Construção da Matriz de Mitigação: O algoritmo seleciona os vetores de probabilidade "mais apropriados" — aqueles com os graus de pertinência mais incertos na matriz de partição difusa, representando um equilíbrio entre os padrões de erro. Esses vetores são usados para construir uma matriz de calibração $M$. A matriz de mitigação $S$ é então computada como o inverso de $M$ ($S = M^{-1}$). Esta matriz é aplicada classicamente aos vetores de contagem ruidosos ($C_{noisy}$) para estimar os vetores de contagem ideais ($C_{ideal} = S \cdot C_{noisy}$).

Configuração Experimental
A técnica foi validada em um processador quântico supercondutor de 5 qubits real (QuantWare Soprano) baseado em qubits transmon. O experimento focou em um subconjunto de 2 qubits composto pelos qubits Q0 (baixa frequência) e Q2 (frequência média central).

• Características do Hardware: O dispositivo exibiu tempos de coerência moderados (ex: $T_1 \approx 24 \mu s$ para Q0, $T_1 \approx 8 \mu s$ para Q2) e fidelidades de leitura variando de 60% a 80%, sem o uso de amplificação limitada por quanta ou técnicas de leitura sofisticadas.
• Desempenho de Portas: As fidelidades das portas de qubit único foram de aproximadamente 99,8% (Q0) e 99,43% (Q2). A fidelidade da porta de dois qubits CZ foi de aproximadamente 89%, que é inferior aos benchmarks de última geração, fornecendo um banco de testes desafiador para mitigação de erros.
• Circuitos: A validação envolveu 16 circuitos de teste (4 estados iniciais $\times$ 4 tipos de circuito) compreendendo portas de qubit único (rotações Hadamard, X, Y) e portas de dois qubits (CNOT construído via CZ).

Resultos Principais
O desempenho da técnica FCM-QEM foi avaliado usando a fidelidade de Hellinger ($HF$), medindo a similaridade entre as distribuições de probabilidade ideal e experimental (mitigada e não mitigada).

• Circuitos de Qubit Único: A técnica proporcionou uma melhoria modesta. Para o "Circuito de qubit único 1", a $HF$ média melhorou aproximadamente +3% (ex: de 93% para 96%). Para o "Circuito de qubit único 2", as melhorias variaram de +10% a +15%.
• Circuitos de Dois Qubits: Melhorias significativas foram observadas para circuitos com fidelidades iniciais mais baixas.
  • Para o "Circuito de dois qubits 1" (CNOT + H), a melhoria variou de +5% a +33%, com uma melhoria máxima de +33% para o estado inicial $|00\rangle$ (elevando a fidelidade de 54% para 87%).
  • Para o "Circuito de dois qubits 2" (apenas CNOT), as melhorias variaram de +0% a +30%.
• Limites de Desempenho: Os autores observaram que, quando a fidelidade de Hellinger não mitigada era muito baixa (abaixo de 50%), a técnica de mitigação oferecia correção mínima (melhoria de 5–9%). No entanto, para fidelidades iniciais em torno de 60%, a técnica poderia melhorar a leitura em até 30%. Em casos onde o circuito não mitigado já mostrava alta fidelidade (90%), a técnica podia elevar o resultado para ~99%.

Significância e Alegações
O artigo afirma fornecer a primeira validação de prova de conceito da técnica FCM-QEM em um dispositivo NISQ real baseado em qubits transmon supercondutores. A significância deste trabalho reside em demonstrar que:

1. Independência de Hardware: A técnica de QEM baseada em FCM pode melhorar a precisão dos valores de expectativa para circuitos de portas de um e dois qubits sem exigir coerência, portas ou fidelidades de leitura de última geração. É eficaz mesmo em hardware com métricas de desempenho "modestas".
2. Conveniência Experimental: O método depende inteiramente de pós-processamento clássico e uma rotina de inicialização, evitando a necessidade de recursos de hardware adicionais ou correções complexas dentro do circuito (ao contrário de ZNE ou t-REx).
3. Estabilidade: A técnica demonstra repetibilidade através de múltiplas execuções, contabilizando efetivamente a aleatoriedade da leitura e o ruído de disparo (shot noise).
4. Ressalva de Escalabilidade: Os autores reconhecem que, como outras técnicas de QEM baseadas em matrizes, o custo computacional para construir e inverter a matriz de mitigação escala exponencialmente com o número de qubits, um desafio a ser abordado em trabalhos futuros.

Os autores concluem que o FCM-QEM é um candidato adequado para mitigação de erro de leitura em dispositivos NISQ, particularmente aqueles com características de leitura não otimizadas, e pode ser integrado em interfaces de software entre configurações de hardware e processadores quânticos.