Resumo Técnico: Caracterização por Redes de Tensores e Mitigação de Erros de Leitura

Declaração do Problema

Erros de leitura permanecem como uma fonte de ruído dominante em dispositivos quânticos de escala intermediária de curto prazo (NISQ), distorcendo diretamente os resultados das medições clássicas e enviesando tarefas como estimativa de valor esperado, tomografia e benchmarks de amostragem. As abordagens padrão de mitigação de erro de leitura (REM) tipicamente caracterizam uma matriz de transição clássica $\Lambda$ que mapeia distribuições ideais para as ruidosas. No entanto, a caracterização completa de $\Lambda$ escala exponencialmente com o tamanho do sistema ($2^N \times 2^N$). Para contornar isso, métodos existentes frequentemente assumem processos de leitura de qubit único independentes (modelos não correlacionados). Esses modelos fatorizados negligenciam correlações espaciais induzidas por crosstalk, linhas de controle compartilhadas e mecanismos específicos do hardware. Tais correlações são frequentemente não desprezíveis em dispositivos reais, particularmente para observáveis não locais e tarefas de amostragem de grande escala, limitando o desempenho de estratégias de mitigação não correlacionadas.

Metodologia

Os autores propõem um framework de rede de tensores unificado que modela a matriz de erro de leitura $\Lambda$ como um Operador de Produto de Matrizes (MPO). Esta representação captura naturalmente correlações locais e de curto alcance com complexidade polinomial.

1. Caracterização via Aprendizado MPO

• Representação: A matriz de erro de leitura $\Lambda_{x,y}$ (probabilidade do resultado $x$ dado o estado verdadeiro $y$) é representada como $|\text{Tr}(M^{[1]}_{x_1,y_1} \cdots M^{[N]}_{x_N,y_N})|^2$, onde $M^{[k]}$ são tensores locais com uma dimensão de ligação $\chi$ finita. Isso garante a positividade dos elementos da matriz.
• Normalização: Diferente dos Unidades de Produto de Matrizes (MPUs), o modelo MPO requer apenas que as somas das linhas sejam unitárias ($\sum_x \Lambda_{x,y} = 1$), uma condição mais fraca adequada para processos estocásticos clássicos.
• Treinamento: Os parâmetros do MPO são aprendidos diretamente de dados de calibração (preparando e medindo estados de produto) usando uma otimização baseada em verossimilhança. A função de perda minimiza o log-verossimilhança negativa dos resultados observados, aumentada com um termo de penalidade para impor a restrição de normalização. Os gradientes são computados eficientemente via contração de rede de tensores.

2. Estratégias de Mitigação

O framework integra o modelo MPO aprendido em várias tarefas de REM:

• Observáveis Não Locais: O valor esperado ideal $\langle O \rangle_{ideal}$ é estimado contraindo o observável (representado como um MPS) com o inverso da matriz de erro de leitura ($\Lambda^{-1}$). O inverso é aproximado variacionalmente usando um MPO de camada única para minimizar $\|\Lambda \Omega - I\|_F^2$.
• Amostragem Global: Para recuperar amostras da distribuição ideal $P_{ideal}$ dadas amostras ruidosas, o método aprende um modelo MPS para $P_{ideal}$ maximizando a verossimilhança dos dados ruidosos sob a transformação $P_{noisy} = \Lambda P_{ideal}$.
• Medições Aleatórias: Para tarefas como sombras clássicas e tomografia baseada em aprendizado (por exemplo, usando Operadores de Densidade Localmente Purificados, LPDOs), o modelo de erro de leitura é integrado diretamente ao objetivo de otimização. Em vez de pós-processar amostras, a função de verossimilhança é modificada para somar sobre os estados verdadeiros ponderados pela matriz de erro de leitura $\Lambda$.
• Decodificação de Correção de Erros Quânticos (QEC): Para códigos de superfície 2D, o modelo MPO é generalizado para um Operador de Par de Entrelaçamento Projetado (PEPO). O modelo de erro de leitura é fundido localmente com o tensor de rede do decodificador (PEPS) para realizar inferência conjunta sobre erros de dados e erros de leitura, tratando efetivamente a leitura do síndrome como uma entrada de informação suave (soft-information) em vez de bits de voto rígido (hard-voted).

Principais Resultados

Validação Experimental (Processador Supercondutor)

Experimentos foram conduzidos no chip supercondutor Baihua (plataforma Quafu) usando cadeias de 6 qubits.

• Captura de Correlação: O modelo MPO ($\chi=4$) superou consistentemente o modelo de produto não correlacionado na caracterização da matriz de erro completa $\Lambda_{Full}$. O modelo MPO alcançou uma distância relativa de $\approx 0.043$ da caracterização completa, comparado a $\approx 0.074$ para o modelo não correlacionado, demonstrando sua capacidade de capturar ruído correlacionado perdido por modelos padrão.
• Observáveis Não Locais: Em experimentos em estados de cluster de 7 qubits, a REM baseada em MPO melhorou significativamente a estimativa de parâmetros de ordem de string não locais, particularmente para strings mais longas onde os erros são mais pronunciados.

Simulações Numéricas

• Escalabilidade: Simulações até $N=20$ qubits mostraram que o custo de amostragem necessário para aprender o modelo MPO escala quase linearmente com o tamanho do sistema, um contraste gritante com o custo exponencial da caracterização completa.
• Amostragem Global: Para amostragem de circuitos aleatórios, o método melhorou a fidelidade de Benchmarking de Entropia Cruzada (XEB). Embora gerar novas amostras ideais exigisse um MPS com dimensão de ligação crescendo exponencialmente, o método conseguiu inferir a fidelidade XEB diretamente de amostras ruidosas usando contração de tensores, eliminando o viés de leitura sem amostragem explícita.
• Medições Aleatórias: Na estimativa de sombras clássicas e tomografia de estado de Gibbs do modelo XY 1D baseada em LPDO, o método REM reduziu significamente o viés nas estimativas de magnetização e melhorou a reconstrução da matriz densidade comparado a métodos não mitigados.
• Decodificação de QEC: Simulações em um código de superfície rotacionado de distância-$d=7$ mostraram que o decodificador fundido com PEPO reduziu significativamente a taxa de erro lógico em comparação com decodificadores padrão, especialmente em regimes com altas taxas de inversão de leitura. O método utilizou efetivamente a informação suave de medições repetidas, superando abordagens de voto de maioria.

Significância e Alegações

O artigo estabelece a mitigação de erro de leitura por redes de tensores como uma abordagem escalável e versátil para o processamento de dados quânticos conscientes de ruído. Suas principais contribuições são:

1. Framework Unificado: Fornece um formalismo MPO/PEPO único que lida com erros de leitura correlacionados em diversas aplicações, desde observáveis locais até amostragem global e decodificação de QEC.
2. Eficiência: A abordagem evita o overhead exponencial da caracterização completa de erro enquanto captura correlações que modelos não correlacionados perdem. A complexidade de amostragem cresce quase linearmente com o tamanho do sistema.
3. Praticidade: Resultados experimentais em hardware real confirmam que erros de leitura correlacionados são significativos e que o modelo MPO mitiga efetivamente esses erros.
4. Integração: O framework foi desenhado para ser um bloco de construção que pode ser integrado em algoritmos existentes (como sombras clássicas e decodificadores de QEC) em vez de atuar meramente como um passo de pós-processamento.

Os autores concluem que este método oferece uma rota promissora para a extração confiável de informações físicas de dispositivos quânticos de curto prazo e também de futuros dispositivos tolerantes a falhas, particularmente ao permitir o tratamento de crosstalk de medição dentro de um problema de inferência de rede de tensores unificado.