⚡ electrical engineering

Statistical Signal Processing for Quantum Error Mitigation

Este artigo propõe uma estrutura de processamento de sinais estatísticos para mitigação de erros quânticos que combina um estágio de filtragem para remover o ruído de despolarização com um algoritmo de maximização de expectativa para derivar estimativas de máxima verossimilhança de saídas sem ruído, demonstrando sua eficácia e escalabilidade tanto em dados simulados quanto em dados sintéticos de NISQ.

Autores originais: Kausthubh Chandramouli, Kelly Mae Allen, Christopher Mori, Dror Baron, Mário A. T. Figueiredo

Publicado 2026-09-09

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Kausthubh Chandramouli, Kelly Mae Allen, Christopher Mori, Dror Baron, Mário A. T. Figueiredo

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Na era atual da computação quântica, as máquinas são poderosas, mas imperfeitas. Elas operam em uma fase conhecida como a era intermediária de escala ruidosa, onde os dispositivos são grandes o suficiente para tentar cálculos complexos, mas pequenos o suficiente para que ainda não possam corrigir totalmente seus próprios erros. O desafio central é que essas máquinas são incrivelmente sensíveis ao seu ambiente. Quando um circuito quântico é executado, a informação delicada que ele contém é facilmente embaralhada por interferência aleatória, tal como um sussurro perdido em uma sala lotada. Para obter resultados úteis, os cientistas devem usar uma técnica chamada mitigação de erro quântico. Isso não se trata de consertar a própria máquina, mas sim de usar computadores clássicos para limpar os dados desordenados após a máquina quântica ter terminado seu trabalho. O objetivo é olhar para a saída ruidosa e corrompida e descobrir qual seria a resposta limpa e correta.

Uma equipe de pesquisadores da North Carolina State University e do Instituto Superior Técnico desenvolveu uma nova maneira de realizar essa limpeza, tratando o problema como uma tarefa de processamento de sinais estatísticos. Em vez de tentar prever como a máquina falhará, eles construíram um modelo que assume que o ruído se comporta de duas maneiras específicas. Primeiro, eles assumem que circuitos profundos frequentemente produzem resultados que parecem estática aleatória, onde cada resposta possível aparece com igual probabilidade. Segundo, eles contabilizam erros simples onde um único bit de informação inverte de zero para um ou vice-versa durante o processo de leitura. Ao separar esses dois tipos de erros, os pesquisadores criaram um método de duas etapas para recuperar o sinal verdadeiro.

A primeira etapa de seu método atua como um filtro. Imagine uma sala cheia de pessoas gritando respostas para uma pergunta. Se a maior parte dos gritos for apenas ruído aleatório, é impossível ouvir as respostas reais. O algoritmo dos pesquisadores varre as milhares de medições feitas pela máquina quântica e identifica os padrões que se assemelham a essa estática aleatória. Ele então descarta essas medições inúteis, deixando para trás apenas os dados que carregam um indício de estrutura. Esse processo remove o ruído de fundo avassalador, tornando os dados restantes muito mais fáceis de analisar.

Uma vez removido o ruído aleatório, a equipe aplica uma segunda etapa usando uma técnica matemática conhecida como maximização de expectativa. Este é um processo iterativo onde o computador faz um palpite educado sobre as respostas corretas, verifica o quão bem esse palpite se ajusta aos dados restantes e, então, refina o palpite. Ele repete esse ciclo repetidamente, aproximando-se lentamente da solução verdadeira mais provável. Diferente de outros métodos que assumem que existe apenas uma resposta correta, esta abordagem foi projetada para lidar com situações em que um algoritmo quântico pode ter vários resultados válidos. Ela também não precisa saber antecipadamente quantos resultados corretos existem; ela descobre isso como parte do processo.

Os pesquisadores testaram esta abordagem usando simulações e dados reais de um processador quântico da IBM. Eles realizaram experimentos em sistemas com até quatorze qubits, que são as unidades básicas de informação quântica. Nestes testes, o método provou ser altamente eficaz, recuperando as respostas corretas com pouquíssimos erros. Quando comparado a outras técnicas estatísticas existentes para limpar dados quânticos, seu método teve um desempenho superior, alcançando uma precisidade quase perfeita em muitos casos. A equipe também testou os limites de sua abordagem gerando dados sintéticos para um sistema muito maior com 128 qubits. Mesmo neste ambiente simulado com ruído pesado, o algoritmo identificou com sucesso as soluções corretas, sugerindo que o método pode escalar para as máquinas maiores do futuro.

O estudo destaca que a chave para o sucesso foi a forma específica como o ruído foi modelado. Ao reconhecer que circuitos profundos frequentemente produzem uma distribuição uniforme de erros, os pesquisadores puderam filtrar a pior interferência antes de tentar resolver o quebra-cabeça. Eles descobriram que, com medições suficientes, o algoritmo poderia determinar o número correto de soluções e identificá-las com alta precisão. No entanto, os pesquisadores fazem questão de notar que seu trabalho não é uma solução final para todos os problemas quânticos. Seu método assume que os erros são simétricos e ainda não leva em conta interações mais complexas entre qubits que ocorrem no hardware real. Adicionalmente, a implementação atual depende de um tipo específico de modelo de ruído que funciona bem para certos circuitos, mas pode precisar de ajustes para outros.

Apesar dessas limitações, os resultados oferecem um caminho promissor. A equipe demonstrou que, ao aplicar princípios do processamento de sinais clássicos aos dados quânticos, é possível extrair informações confiáveis de máquinas muito ruidosas. O trabalho deles sugere que não precisamos necessariamente esperar por computadores quânticos perfeitos e tolerantes a falhas para obter resultados úteis. Em vez disso, com as ferramentas estatísticas certas, podemos tornar as máquinas ruidosas que temos hoje muito mais capazes. As descobertas indicam que métodos estatísticos fundamentados podem fornecer soluções escaláveis e interpretáveis para a mitigação de erros, oferecendo uma maneira prática de melhorar a confiabilidade da computação quântica no curto prazo.

Resumo Técnico: Processamento de Sinais Estatísticos para Mitigação de Erros Quânticos

Formulação do Problema
Na era NISQ (Noisy Intermediate-Scale Quantum), os circuitos quânticos sofrem com o ruído que corrompe os resultados das medições, tornando necessária a Mitigação de Erros Quânticos (QEM) para recuperar resultados confiáveis. Este artigo aborda o desafio de estimar os estados de saída sem ruído mais prováveis a partir de medições quânticas ruidosas. Os autores modelam o ambiente de ruído como uma combinação de dois componentes primários:

Ruído de Despolarização: Um cenário de pior caso onde o estado quântico é substituído por um estado maximamente misto com probabilidade $p$ . Isso resulta em resultados de medição que são uniformemente distribuídos em todas as possíveis cadeias de bits, carregando pouca estrutura explorável.
Erros de Inversão de Bit de Leitura (Readout Bit-Flip): Um processo de ruído clássico onde os bits medidos invertem (de 0 para 1 ou de 1 para 0) com probabilidade $\epsilon$ .

O objetivo é recuperar um conjunto de $K$ vetores binários válidos e desconhecidos ( $X = \{x_1, \dots, x_K\}$ ) e seus pesos de mistura associados ( $\alpha$ ) a partir de um conjunto de dados de $S$ disparos (shots) ruidosos ( $Y$ ), assumindo que os erros subjacentes seguem o modelo de despolarização e inversão de bit.

Metodologia
A abordagem proposta trata a QEM como um problema de processamento de sinais estatísticos, utilizando um pipeline de dois estágios:

Estágio de Filtragem (Remoção de Despolarização):
Antes de aplicar a estimativa estatística, os autores empregam um algoritmo de filtragem baseado em densidade (Algoritmo 1) para descartar disparos consistentes com o ruído de despolarização. O método conta a frequência de cada cadeia de bits observada e de seus vizinhos a uma distância de Hamming 1. Ao estabelecer um limiar $T$ baseado na frequência esperada do ruído uniforme ( $\lambda = S/2^n$ ), o algoritmo suprime entradas de baixo suporte. Esta etapa remove efetivamente o "fundo" de ruído uniformemente distribuído ao descartar os disparos que se assemelham a ele, deixando um conjunto de dados dominado por erros de inversão de bit, que são mais passíveis de modelagem estatística.
Algoritmo de Expectativa-Maximização (EM):
Nos dados filtrados, os autores aplicam um algoritmo de Expectativa-Maximização para computar a estimativa de Máxima Verossimilhança (ML) dos resultados sem ruído.

Modelo: O problema é formulado como um modelo de mistura finita onde variáveis latentes indicam qual das $K$ soluções válidas gerou uma observação ruidosa específica.
Verossimilhança: A função de verossimilhança leva em conta probabilidades de inversão de bit independentes entre os qubits.
Otimização: Como o número de soluções $K$ é desconhecido e a função de verossimilhança não é convexa, os autores utilizam uma função de log-verossimilhança modificada baseada no critério de Comprimento de Mensagem Mínima (MML). Isso permite que o algoritmo realize a "aniquilação de componentes", reduzindo efetivamente o número de componentes ativos ( $K$ ) durante o passo-M, caso eles não contribuam significativamente para o ajuste dos dados.
Procedimento: O algoritmo itera entre um passo-E (calculando a probabilidade a posteriori de cada disparo pertencer a uma solução específica) e um passo-M (atualizando os vetores de solução, os pesos de mistura e as probabilidades de inversão de bit).

Principais Contribuições

Estrutura Estatística: O artigo introduz uma abordagem de processamento de sinais estatísticos fundamentada para QEM que é agnóstica a detalhes específicos do circuito, estimando implicitamente a função de densidade do estado de saída.
Tratamento de Ruído Híbrido: Diferente de métodos que focam apenas em erros de leitura ou exigem estruturas de circuito específicas, este método aborda tanto erros de porta de despolarização (via filtragem) quanto erros de inversão de bit de leitura (via EM).
Escalabilidade: Os autores afirmam que um sistema ideal de QEM deve ter complexidade computacional polinomial no número de qubits para escalar para sistemas grandes; o método proposto é desenhado para atender a esse requisito, e resultados experimentais demonstram sua eficácia em contagens maiores de qubits usando dados sintéticos.
Adaptação do EM: O trabalho adapta o algoritmo EM para distribuições de saída binária e integra o MML para seleção de modelo (estimativa de $K$ ), permitindo que o sistema lide com múltiplas saídas válidas em vez de assumir uma única verdade fundamental.

Resultados Experimentais
Os autores avaliaram o método usando simulações Qiskit, dados do QPU IBM Brisbane e dados sintéticos gerados para sistemas maiores:

Desempenho em Pequena Escala: Em circuitos simulados com $n \in \{10, 12, 14\}$ qubits e profundidades de até 800, o método alcançou uma Taxa de Erro de Bit (BER) de 0.000 a 0.007 quando o número de soluções $K$ foi corretamente estimado. A probabilidade de estimar incorretamente $K$ ( $P_{Kerror}$ ) foi de 0,83% em todas as configurações e convergiu para 0 com disparos suficientes (10.000).
Comparação com o Estado da Arte: No hardware IBM Brisbane, o método EM proposto superou as técnicas estatísticas de QEM existentes (HAMMER, M3 e Q-BEEP) em termos de fidelidade de Hellinger em vários circuitos de referência (Bernstein-Vazirani, GHZ, estado W, adder) variando de 3 a 14 qubits.
Escalabilidade em Larga Escala: Usando dados sintéticos gerados para $n=128$ qubits com $K \in \{2, 4, 8\}$ , o algoritmo alcançou um BER de 0 em todos os testes, sugerindo que o método escala efetivamente para contagens maiores de qubits sob o modelo de ruído assumido.

Significância e Alegações
O artigo afirma que métodos estatísticos fundamentados podem oferecer soluções escaláveis e interpretáveis para QEM em cenários realistas de NISQ. Os autores sustentam que sua abordagem é particularmente eficaz porque:

Não depende da simulação clássica do circuito completo (ao contrário da regressão de dados de Clifford), tornando-a viável para contagens maiores de qubits.
Lida com cenários de múltiplas saídas válidas, ao contrário da decodificação por voto majoritário que assume uma única solução.
Aborda nativamente o desafio do ruído de despolarização, que frequentemente faz com que 80–90% dos disparos em circuitos profundos pareçam aleatórios, filtrando os disparos que se assemelham a esse ruído.

Limitações e Trabalhos Futuros
Os autores reconhecem diversas limitações:

O método assume probabilidades de inversão de bit simétricas, enquanto o hardware real pode apresentar assimetria.
Não modela erros de leitura complexos, como o crosstalk entre qubits.
A suposição de um número finito de soluções ( $K$ ) limita sua aplicação direta em algoritmos variacionais (que podem possuir espaços de solução contínuos ou não finitos).
A inicialização do algoritmo EM influencia fortemente a estimativa de ML final, e a estratégia de filtragem heurística requer uma análise mais rigorosa.

O trabalho conclui que, embora a implementação atual seja subótima em certos aspectos, a estrutura baseada em EM fornece uma base promissora para a mitigação de erros quânticos escalável.

Mais como este