Multi-Layer Cycle Benchmarking for high-accuracy error characterization

Declaração do Problema
A caracterização precisa do ruído é um pré-requisito para a computação quântica confiável e para o implante eficaz de técnicas de mitigação de erro conscientes do ruído. Embora os modelos de ruído de Pauli sejam eficazes, eles oferecem uma forma escalável de descrever processos de erro com um número gerenciável de parâmetros, mas sofrem de uma limitação fundamental: a "aprendibilidade" dos autovalores de Pauli. Conforme demonstrado em trabalhos anteriores (ex., Ref. [22]), a liberdade de gauge introduz ambiguidades que impedem a determinação independente de certos parâmetros de canais de Pauli a partir de erros de Preparação de Estado e Medição (SPAM). Especificamente, para um conjunto de portas Clifford, o número de graus de liberdade (DOF) de ruído não aprendíveis escala exponencialmente com o número de qubits. Protocolos padrão de Cycle Benchmarking (CB) podem determinar todos os DOF aprendíveis com alta precisão e robustez a SPAM, mas deixam uma fração significativa de parâmetros para serem estimados via métodos de "baixa precisão" (ex., suposições de simetria ou circuitos de profundidade unitária). Essas quantidades não aprendíveis, particularmente em modelos escaláveis como o modelo Sparse Pauli-Lindblad (SPL), podem constituir uma fração não negligenciável do total de parâmetros (aproximando-se de ~4,8% em sistemas de topologia quadrada grandes), degradando assim a precisão da caracterização de ruído e a eficácia de estratégias de mitigação de erro como a Cancelamento de Erro Probabilístico (PEC).

Metodologia: Multi-Layer Cycle Benchmarking (MLCB)
Os autores introduzem o Multi-Layer Cycle Benchmarking (MLCB), um protocolo de caracterização aprimorado projetado para aumentar o número de DOF aprendíveis através da análise conjunta de múltiplas camadas de portas Clifford. Diferente do CB padrão, que caracteriza cada camada isoladamente, o MLCB constró de circuitos onde o "bloco de construção" repetido $d$ vezes consiste em uma combinação de camadas distintas (ex., alternando camadas Azuis e Verdes) em vez de uma única camada.

O protocolo opera da seguinte forma:

1. Órbitas de Múltiplas Camadas: O MLCB define uma "órbita de múltiplas camadas" para um par de camadas $L_1, L_2$. Ao aplicar a sequência de camadas e medir o valor esperado de um operador de Pauli, o protocolo mede produtos de autovalores de Pauli de diferentes camadas (ex., $f^{L_1}_{\alpha} f^{L_2}_{\beta}$) com alta precisão e robustez a SPAM.
2. Desbloqueio de DOF Não Aprendíveis: No contexto do modelo SPL, que assume que o ruído é gerado por Lindbladianos locais, os autores demonstram que esses produtos entre camadas fornecem restrições sobre razões de autovalores de Pauli de peso um não aprendíveis. Por exemplo, em um sistema de portas CZ paralelas, o MLCB pode determinar a razão de autovalores não aprendíveis associados a qubits adjacentes em diferentes camadas.
3. Escalabilidade: O método é aplicado a um QPU de topologia quadrada com quatro camadas densas de portas CZ paralelas. Ao analisar pares de camadas (Azul-Verde, Verde-Vermelho, etc.), o MLCB impõe restrições de alta precisão que reduzem o número de DOF não aprendíveis de $\sim 4n$ para $\sim n$ em sistemas grandes, reduzindo efetivamente a fração não aprendível em 75%.

Principais Contribuições

• Desenvolvimento de Protocolo: A formulação do MLCB, que aproveita as restrições inerentes aos modelos de ruído eficazes para extrair informações de circuitos de múltiplas camadas que são inacessíveis ao CB de camada única.
• Análise Teórica: Uma derivação sistemática mostrando como o MLCB desbloqueia DOFs específicos tanto em cadeias abertas quanto fechadas de qubits, provando que ele pode determinar razões de autovalores não aprendíveis para combinações arbitrárias de camadas de Clifford.
• Validação Experimental: Implementação do MLCB no processador de supercondutores de 20 qubits IQM Garnet™. O experimento mediu com sucesso diferenças entre produtos de autovalores de Pauli que são estatisticamente incompatíveis com zero, refutando experimentalmente a suposição comum de que autovalores não aprendíveis são simétricos ou iguais aos seus conjugados.
• Simulação Numérica: Demonstração de que a incorporação de dados do MLCB no ajuste de modelos de ruído SPL reduz significativamente o erro de reconstrução (medido pela distância $L_1$) comparado ao uso apenas de CB padrão e métodos de estimativa de baixa precisão.

Resultos

• Redução de DOF Não Aprendíveis: Em cenários realistas envolvendo camadas CZ densas em uma topologia quadrada, o MLCB reduz o número de graus de liberdade de ruído não aprendíveis em até 75%.
• Evidência Experimental: No processador IQM Garnet™, as diferenças medidas entre produtos de autovalores de camadas cruzadas foram consistentemente não nulas (com significância estatística de até ~99,5%), confirmando que as suposições de simetria frequentemente usadas para estimar parâmetros não aprendíveis são violadas em hardware real.
• Melhoria na Precisão da Caracterização: Simulações numéricas em sistemas de 20 qubits mostram que o uso de dados do MLCB leva a uma reconstrução mais precisa do modelo de ruído subjacente. A razão de erros de reconstrução ($r = \Delta_{MLCB} / \Delta_{CB}$) foi consistentemente abaixo de 1, frequentemente situando-se na faixa de 0,5 a 0,8, indicando uma melhoria substancial na fidelidade do modelo.
• Mitigação de Erro Aprimorada: A caracterização de ruído melhorada traduz-se diretamente em melhor desempenho do Cancelamento de Erro Probabilístico (PEC). Simulações mostraram que o uso de modelos caracterizados por MLCB reduziu o desvio padrão do viés de PEC em quase três vezes em comparação com métodos de caracterização convencionais.

Significância
O artigo posiciona o MLCB como uma ferramenta escalável, prática e eficiente em recursos para a caracterização precisa de ruído. Ao reduzir significativamente a dependência de métodos de estimativa de baixa precisão para parâmetros não aprendíveis, o MLCB permite modelos de ruído eficazes mais precisos. Isso, por sua vez, impulsiona o desempenho de técnicas de mitigação de erro conscientes do ruído, que são críticas para alcançar computação quântica confiável em dispositivos de curto prazo (near-term). Os autores enfatizam que, embora o MLCB aborde o gargalo específico da aprendibilidade limitada, ele opera dentro do contexto mais amplo de imperfeições experimentais (como o drift temporal), e sua implementação requer um overhead mínimo (aproximadamente 7% de execuções de circuitos adicionais) para alcançar uma redução de 75% nos DOF não aprendíveis. O trabalho complementa as estruturas teóricas de aprendibilidade de ruído de Pauli ao fornecer um método operacional concreto para QPUs 2D com topologias quadradas.