Characterization of Unlearnable Noise with Mid-Circuit-Measurement-Based Cycle Benchmarking

Resumo Técnico: Caracterização de Ruído Inaprendível com Ciclo de Benchmarking Baseado em Medição de Meio de Circuito

Problema
A caracterização do ruído quântico é um gargalo crítico para a mitigação de erros e a validação de protocolos de correção de erros quânticos (QEC). O Cycle Benchmarking (CB) padrão isola efetivamente erros de Preparação e Medição de Estado (SPAM) e caracteriza canais de Pauli através da amplificação de erros de porta por meio de ciclos repetidos. No entanto, o CB enfrenta uma limitação fundamental quando aplicado a portas Clifford de $n$ qubits genéricas: os grafos de transferência de Pauli induzidos frequentemente contêm parâmetros de erro acoplados. Especificamente, as portas Clifford podem induzir ciclos irredutíveis de propagação de Pauli onde fidelidades de Pauli distintas são acopladas (ex: $\lambda_{P_\alpha}\lambda_{P_\beta}$), tornando as fidelidades individuais "inaprendíveis" devido a graus de liberdade de gauge. O CB padrão não consegue resolver esses parâmetros acoplados, e o número de graus de liberdade inaprendíveis cresce exponencialmente com o número de qubits. Além disso, o CB padrão assume dinâmica de ruído Markoviana, uma condição que pode não se sustentar em hardware real, e os protocolos padrão carecem de ferramentas para diagnosticar desvios não-Markovianos.

Metodologia
Os autores propõem o Generalized Cycle Benchmarking (GCB), um framework que integra Medições de Meio de Circuito (MCMs) como primitivas tomográficas ativas para resolver o ruído inaprendível. A metodologia baseia-se em três pilares teóricos e algorítmicos centrais:

1. Desajuste de Peso de Pauli e Feed-Forward Diferido: Os autores definem o desajuste de peso de Pauli $\delta(P_\alpha, P_\beta)$ como a diferença bit a bit entre o suporte dos operadores de Pauli de entrada e saída sob uma porta Clifford $G$. No CB padrão, se $\delta \neq 0$, a fidelidade é inaprendível. O protocolo GCB insere MCMs nos locais de qubits especificados por $\delta(P_\alpha, P_\beta)$. Ao utilizar o Princípio do Feed-Forward Diferido, o protocolo demonstra que operações de feed-forward clássicas (inversões de bit condicionais baseadas nos resultados das MCMs) podem ser implementadas inteiramente no pós-processamento clássico. Isso permite que as MCMs "resetem" efetivamente o operador de Pauli de volta ao seu estado inicial, quebrando o ciclo induzido pela Clifford e desacoplando os parâmetros de ruído sem exigir controle quântico em tempo real.

2. Instrumentos Estocásticos Uniformes (USI) e Condições de Aprendizado: O framework modela as MCMs ruidosas como Instrumentos Estocásticos Uniformes.

   • Aprendizado Exato (Teorema 3): Se as MCMs fornecem projeções de alta fidelidade sobre os estados $|0\rangle$ e $|1\rangle$ (especificamente, se não ocorrem erros quânticos pós-projeção), todas as fidelidades de Pauli da MCM e da porta Clifford intercalada são exatamente aprendíveis. Crucialmente, erros de atribuição de leitura (readout) não afetam o aprendizado, pois não acoplam parâmetros de ruído quântico.
   • Aprendizado Aproximado (Teorema 4): Em cenários onde apenas a preparação de $|0\rangle$ é confiável (comum em dispositivos supercondutores), os autores mostram que pares inaprendíveis ainda podem ser aproximados. Ao realizar a pós-seleção no resultado $|0\rangle$ e utilizar uma decomposição de média geométrica-aritmética, o protocolo pode isolar fidelidades individuais do produto acoplado, desde que a diferença de ruído seja suficientemente pronunciada.

3. Análise Binomial para Não-Markovianidade: O protocolo introduz uma ferramenta de diagnóstico baseada na estatística de "variáveis de inversão" (mudanças em leituras consecutivas de MCM). Sob a suposição de ruído Markoviano separável, essas estatísticas de inversão seguem uma distribuição binomial limpa. Desvios dessa distribuição servem como uma assinatura direta e quantitativa de dinâmicas não-Markovianas (ex: efeitos de memória ou vazamento/leakage), que são invisíveis ao CB padrão, que colapsa toda a informação em uma única medição final.

Principais Contribuições

• Resolução de Ruído Inaprendível: O artigo fornece um método sistemático para quebrar ciclos de Pauli em portas Clifford de $n$ qubits genéricas. O custo de quebrar um ciclo é quantificado pelo peso de Hamming do desajuste de peso de Pauli, especificando o número mínimo de MCMs necessárias.
• Robustez de SPAM com MCMs: O framework alcança imunidade parcial de SPAM para componentes de ruído inaprendíveis, uma capacidade anteriormente restrita a canais de Pauli simples.
• Caracterização de Ruído Unificada: Os autores demonstram que MCMs com feed-forward clássico podem ser tratadas como portas Clifford dentro do framework consistente de aprendizado de ruído de Pauli (Gate Set Tomography), permitendo uma caracterização autoconsistente mesmo quando a qualidade da projeção é imperfeita.
• Diagnósticos Não-Markovianos: O trabalho estabelece um método para detectar e quantificar o ruído não-Markoviano (especificamente memória induzida por vazamento e assimetrias de leitura) usando as propriedades estatísticas de MCMs repetidas.

Resultados Experimentais e Numéricos
Os autores validam o framework através de simulações numéricas e experimentos em processadores quânticos supercondutores da IBM (ibm-aachen e ibm-pittsburgh).

• Simulações Numéricas: Simulações em portas CNOT e escadas de CNOT de 3 qubits demonstram a viabilidade de extrair pares de ruído inaprendíveis (ex: $\{ \lambda_{0z}, \lambda_{zz} \}$) e mostram que o protocolo escala efetivamente, particularmente ao aproveitar modelos de ruído local para reduzir o overhead de MCM.
• Validação Experimental:
  • Ruído Inaprendível: Em ambos os dispositivos, o protocolo GCB extraiu com sucesso fidelidades de Pauli inaprendíveis para portas CNOT. Os resultados foram comparados com limites físicos CPTP (Completamente Positivo e Preservador de Traço) e tomografia convencional. Os resultados do GCB mostraram-se dentro dos limites CPTP e, frequentemente, mais próximos dos limites físicos do que a tomografia convencional, demonstrando precisão superior na desambiguação de ruído acoplado.
  • Assinaturas Não-Markovianas: A análise binomial das leituras de MCM revelou duas assinaturas não-Markovianas distintas:
    1. Um viés estatístico de "zig-zag" favorecendo contagens de inversão pares, atribuído a erros de atribuição de leitura clássica.
    2. Uma cauda exponencial na distribuição de inversão em contagens de inversão elevadas, atribuída à memória induzida por vazamento (não-Markovianidade). Os autores modelaram essa cauda para extrair uma taxa de decaimento $\lambda_d$, quantificando a duração da memória.

Significância e Alegações
O artigo afirma que as Medições de Meio de Circuito não são meramente ferramentas de diagnóstico passivas, mas recursos ativos para a caracterização de ruído. A significância deste trabalho reside em:

1. Superação de Limites Fundamentais: Resolve os graus de liberdade "inaprendíveis" no ruído de portas Clifford que limitaram a escalabilidade dos protocolos de caracterização de ruído.
2. Agnosticismo de Hardware: Embora demonstrado em dispositivos supercondutores, o framework é agnóstico ao hardware e aplicável a qualquer plataforma que suporte MCMs e feed-forward clássico.
3. Capacidade de Diagnóstico: Fornece um novo método para detectar e caracterizar dinâmicas não-Markovianas, definindo o regime operacional onde o modelo de ruído de Pauli é válido.
4. Utilidade Prática: Os autores demonstram que as MCMs de última geração de sistemas supercondutores possuem qualidade de projeção suficiente para permitir o aprendizado de ruído fisicamente consistente com imunidade parcial de SPAM, pavimentando o caminho para caracterizar portas Clifford maiores e avançar estratégias de mitigação de erros.

O artigo conclui que este framework estende o alcance do Cycle Benchmarking além de conjuntos de portas Clifford unitárias para a classe mais ampla de circuitos dinâmicos disponíveis nos processadores quânticos modernos.