Physics-Informed Learning of Effective Error Processes from Limited Noisy Transmon Measurements for Robust QAOA Reliability

Resumo Técnico: Aprendizado Informado pela Física de Processos de Erro Eficazes para QAOA Robusto

Declaração do Problema
Dispositivos quânticos de escala intermediária ruidosa (NISQ), particularmente transmons supercondutores, executam algoritmos através de dinâmicas físicas imperfeitas em vez de portas ideais. Essas imperfeições surgem de uma anarmonicidade fraca, desajuste coerente (detuning), interações residuais, dissipação, desfasamento, vazamento para níveis não computacionais e erros de leitura. Embora a Mitigação de Erros Quânticos (QEM) vise reduzir o viés nos valores de expectativa sem a necessidade de tolerância total a falhas, muitas abordagens existentes dependem de execuções de circuitos adicionais, suposições de escala de ruído ou dados de treinamento desconectados de modelos de dispositivos fisicamente estruturados.

Este trabalho aborda uma questão operacional: pode-se usar medições limitadas de disparos finitos (finite-shot) de um dispositivo oculto do tipo transmon para aprender processos de erro eficazes que melhorem a confiabilidade de um algoritmo alvo? O algoritmo alvo é o Algoritmo de Otimização Aproximada Quântica (QAOA) para o problema de MaxCut. Crucialmente, o modelo de aprendizado não tem acesso aos parâmetros microscópicos do Hamiltoniano; ele recebe apenas características de medição locais e de pares. O objetivo não é recuperar parâmetros de hardware microscópicos, mas sim aprender uma representação operacional compacta do processo de erro eficaz.

Metodologia
Os autores propõem um pipeline informado pela física composto por três estágios principais:

1. Simulação Física Oculta:

   • A camada física é modelada como um simulador de qutrit transmon (níveis $|0\rangle, |1\rangle, |2\rangle$) para contabilizar explicitamente o vazamento (leakage), que um modelo de qubit de dois níveis padrão ignoraria.
   • As dinâmicas são regidas por um Hamiltoniano dependente do tempo incluindo drift (detuning, anarmonicidade, acoplamento de troca, ZZ residual) e drives de controle (quadraturas de micro-ondas com erros de amplitude/fase).
   • O ruído de sistema aberto é modelado via equação mestre de Lindblad, incluindo relaxação de energia ($T_1$), desfasamento puro ($T_\phi$) e desfasamento correlacionado.
   • A simulação inclui erros de atribuição de leitura e ruído de amostragem de disparos finitos.

2. Protocolos de Medição:

   • Tomografia Local: O aprendiz observa estimativas de disparos finitos de valores de expectativa de Pauli ($X, Y, Z$) para seis estados de entrada por qubit. Na prova de conceito de dois qubits, apenas 12 das 36 características locais possíveis são fornecidas (subdeterminada). Na extensão de três qubits, máscaras parciais com $K \in \{6, 12, \dots, 54\}$ configurações são utilizadas.
   • Sondas de Par (Pair Probes): Para capturar erros correlacionados invisíveis à tomografia local, o protocolo inclui medições de produtos de Pauli de dois qubits $\langle \sigma^a_i \sigma^b_j \rangle$ para as arestas $(1,2)$ e $(2,3)$.

3. Representações de Erro Eficazes e Aprendizado:

   • Canais Locais: Os erros são representados como canais de Bloch afins locais ($r_{out} = A r_{in} + b$). Um canal de um único qubit possui 12 parâmetros (9 para a matriz $A$, 3 para o vetor $b$).
   • Resíduos de Par: Erros correlacionados são capturados como resíduos $\delta_{ij}^{ab} = \langle \sigma^a_i \sigma^b_j \rangle_{true} - \langle \sigma^a_i \rangle_{local}\langle \sigma^b_j \rangle_{local}$.
   • Modelos de Aprendizado: O estudo compara vários modelos:
     • Reconstrução Direta: Usa entradas medidas diretamente (falha sob dados parciais).
     • Baseline de Média (Mean Baseline): Prediz parâmetros de canal médios.
     • Regressão Ridge: Um modelo linear regularizado.
     • Random Forest: Uma baseline não neural não linear.
     • ChannelNet: Uma rede neural multicamadas projetada para aprender estrutura não linear a partir de dados limitados.
     • Modelo Consciente de Sondas de Par (Pair-Probe-Aware Model): Estende o aprendizado para prever tanto canais locais quanto resíduos de aresta.
   • Estratégia de Mitigação: O modelo aprendido prediz o viés no cenário de custo do QAOA ($\hat{b}_C$). Este viés é subtraído do cenário ruidoso observado para produzir um cenário corrigido ($C_{mit} = C_{noisy} - \hat{b}_C$).

Principais Resultados

• Prova de Conceito de Dois Qubits:

  • Em um cenário subdeterminado (12 entradas para um alvo de 24 parâmetros), o ChannelNet superou significativamente a reconstrução direta.
  • O ChannelNet reduziu o Erro Quadrático Médio (MSE) do canal de $7,688 \times 10^{-2}$ para $2,714 \times 10^{-3}$.
  • Operacionalmente, melhorou a confiabilidade do cenário do QAOA (reduziu o Erro Médio Absoluto, MAE) por um fator de 20,41× (de 0,22611 para 0,01108), enquanto a tomografia parcial direta alcançou apenas uma melhoria de 2,68×.

• Aprendizado Local de Três Qubits:

  • À medida que o sistema escalou e mais dados se tornaram disponíveis ($K=18$ e $K=54$), a regressão Ridge emergiu como o estimador mais forte, sugerindo que o mapeamento de máscaras de tomografia local para parâmetros de canal afim é próximo de um problema inverso linear regularizado.
  • Em $K=18$, a Ridge reduziu o MAE do QAOA de 0,1775 para 0,0269 (melhoria de 6,60×).
  • Em $K=54$, a Ridge alcançou uma razão de melhoria de 13,22×.
  • O ChannelNet permaneceu competitivo, mas não dominou a baseline linear no regime de maior volume de dados.

• Sondas de Par e Erros Correlacionados:

  • As sondas de par melhoraram substancialmente a identificabilidade de erros correlacionados. Aumentar as sondas de par de 0 para 18 reduziu o erro L2 do resíduo de par de ~1,731 para ~1,122.
  • No entanto, a melhoria subsequente na confiabilidade do QAOA foi modesta (a razão de melhoria aumentou de 2,69× para 2,85×). Os autores observam que a regra atual de correção de viés não converte totalmente a melhor identificabilidade dos resíduos de par em grandes ganhos para o QAOA, provavelmente devido ao ruído nos resíduos preditos.

Significância e Alegações
O artigo afirma demonstrar um pipeline informado pela física que aprende processos de erro eficazes a partir de medições limitadas e ruidosas, sem exigir conhecimento microscópico do hardware. Suas principais contribuições são:

1. Validação Operacional: Valida que um modelo neural pode atuar como um "prior físico aprendido" para inferir canais eficazes completos a partir de dados fortemente incompletos, impulsionando significativamente a confiabilidade do QAOA em regimes de baixos dados.
2. Escalabilidade e Linearidade: Em cenários escalados, revela que métodos de aprendizado estruturados (incluindo modelos lineares regularizados) são altamente eficazes, desafiando a suposição de que redes neurais complexas são sempre necessárias para o aprendizado de erros.
3. Sondas Conscientes do Hardware: Estabelece que, embora a tomografia local seja insuficiente para erros correlacionados, sondas de par direcionadas podem identificar esses erros, embora sua utilidade para mitigação algorítmica exija maior calibração.
4. Rota Informada pelo Hardware: O trabalho apoia a visão de que combinar simulação informada pelo hardware, representações eficazes compactas e métricas de nível de algoritmo (como fidelidade de cenário de QAOA) é uma rota viável para algoritmos quânticos variacionais mais confiáveis.

Os autores concluem que o aprendizado de erro quântico escalável deve combinar esses elementos, mas mantêm a modéstia sobre as limitações atuais, observando especificamente que a conversão da identificabilidade de erros correlacionados em ganhos algorítmicos requer trabalhos futuros sobre regras de correção calibradas ou conscientes do QAOA.