Decision Kernels for Quantum Error Mitigation: Why Accuracy Gains Need Not Improve Downstream Decisions

Resumo Técnico: Núcleos de Decisão para Mitigação de Erros Quânticos

Definição do Problema
Os benchmarks atuais para Mitigação de Erros Quânticos (QEM) baseiam-se predominantemente na precisão do valor esperado, tipicamente medida pelo Erro Quadrático Médio (MSE) ou Erro Quadrático Médio da Raiz (RMSE) no espaço do landscape ambiente $\mathbb{R}^n$. No entanto, muitos fluxos de trabalho quânticos de curto prazo (ex: VQE, QAOA, classificação de fase) não utilizam valores esperados brutos como saídas finais. Em vez disso, utilizam esses valores para tomar decisões subsequentes: selecionar um passo de otimização, classificar circuitos candidatos, identificar um conjunto top-$k$ ou determinar um argmin.

O artigo identifica um desajuste estrutural: as métricas de precisão medem o erro no espaço ambiente, enquanto decisões invariantes por translação dependem apenas de gaps (diferenças) entre valores de landscape. Um método pode melhorar o MSE pontual e, simultaneamente, piorar a probabilidade de tomar a decisão correta. Isso ocorre porque o ruído de modo comum ou estruturas de correlação específicas podem se cancelar em cálculos de gap (preservando decisões), enquanto inflam o MSE ambiente, ou inversamente, estratégias de mitigação podem reduzir o viés, mas amplificar a variância do gap, degradando a confiabilidade da decisão.

Metodologia e Estrutura Teórica
O artigo desenvolve uma teoria de espaço quociente para QEM de disparos finitos (finite-shot) adaptada para decisões subsequentes.

1. Fatoração por Quociente: Os autores estabelecem que decisões invariantes por translação fatoram através do espaço quociente $Q = \mathbb{R}^n / \text{span}\{1\}$. As decisões são invariantes sob deslocamentos globais de energia; portanto, o objeto relevante não é o campo residual $E_m$ em $\mathbb{R}^n$, mas sua imagem sob um mapa de contraste $L$ (o vetor de gap).
2. O Objeto de Decisão: O objeto minimamente completo para decisão é a lei de gap residual $L(E_m)$. Em regimes gaussianos de disparos finitos, isso é resumido pelo margem efetiva $\mu_m = \Delta + L a_m$ e pelo núcleo de decisão $\Sigma_m = L K_m L^\top$, onde $K_m$ é a covariância ambiente.
3. Teorema de No-Go Marginal: O artigo prova que benchmarks marginais pontuais (MSE, variância pontual, intervalos de confiança) são insuficientes para determinar a confiabilidade da decisão. Dois métodos podem ter marginais pontuais e MSE idênticos, mas diferentes correlações de gap, levando a riscos de decisão vastamente distintos.
4. Restrição de Pullback de QEM: Ao contrário de problemas genéricos de ranking-and-selection onde as covariâncias são parâmetros livres, os núcleos de decisão de QEM são restritos. Eles são pullbacks de ruídos físicos de dispositivos compartilhados através do mapa de mitigação específico (ex: ZNE, CDR, PEC). Essa geometria restrita significa que $\Sigma_m$ não é uma matriz semidefinida positiva arbitrária, mas reside em uma família específica determinada pelo modelo de ruído do dispositivo e pelo protocolo de mitigação.
5. Exponentes e Risco Gaussiano: Os autores derivam fórmulas exatas para o risco de decisão sob suposições gaussianas e estabelecem expoentes de grandes disparos (large-shot). Eles mostram que o expoente de decisão depende da razão entre as margens ao quadrado e as variâncias de gap, e que correlações off-diagonal no núcleo de gap podem impactar significativamente os pre-fatores de disparos finitos e decisões com múltiplas restrições.

Principais Contribuições

• Separação Estrutural: Prova que a precisão do valor esperado e a confiabilidade da decisão são controladas por objetos matemáticos diferentes. A precisão é uma propriedade do espaço ambiente; a confiabilidade da decisão é uma propriedade do espaço quociente.
• Definição de Núcleo de Decisão: Introduz o núcleo de decisão $\Sigma_m = L K_m L^\top$ como a métrica correta para comparar métodos de QEM em fluxos de trabalho centrados em decisão.
• Teorema de Pullback Físico: Demonstra que os núcleos de decisão são fisicamente restringidos pelo modelo de ruído do dispositivo e pelo mapa de mitigação, impedindo a seleção de covariâncias "ótimas" que sejam fisicamente irrealizáveis.
• Teoremas de No-Go: Estabelece que nenhum seletor determinístico baseado apenas em benchmarks marginais pontuais (como MSE) pode identificar uniformemente o método de QEM ideal para a decisão.
• Scores Operacionais: Propõe scores operacionais conscientes da decisão, incluindo o Índice de Confiabilidade de Decisão (DRI) e o Índice de Risco Gaussiano (GRI), que utilizam a lei de gap estimada em vez do MSE ambiente.

Resultados e Experimentos Numéricos
O artigo valida sua teoria usando simulações do Qiskit Aer em instâncias de QAOA-MaxCut e um teste de estresse de micro-célula pré-registrado em hardware.

• CDR (Clifford-Data Regression): Demonstrou que correções afins-positivas de CDR podem melhorar o MSE em fatores de 43x–180x, enquanto deixam o risco de decisão (GRI) idêntico ao método Raw (não mitigado). Isso confirma que ganhos de precisão não necessariamente se traduzem em ganhos de decisão.
• PEC (Probabilistic Error Cancellation): Mostrou regimes onde o PEC reduz o MSE, mas aumenta o risco de decisão devido ao overhead de amostragem (inflação de variância), levando a uma coexistência de "melhor precisão" e "piores decisões".
• Seleção de Método: Um seletor consciente da decisão (Algoritmo 1), que escolhe métodos baseando-se no núcleo de gap estimado, frequentemente preferiu o método Raw em vez de ZNE ou CDR em regimes de ruído que preservam o ranking.
• Performance Estática vs. Dinâmica:
  • Em testes estáticos de hold-out, o seletor consciente da decisão reduziu as taxas de falha em comparação com a seleção baseada em MSE, mas a redução (aprox. 11%) ficou aquém de um limiar prático pré-especificado (15%).
  • Em testes dinâmicos de "disparos-para-sucesso" (shots-to-success), nenhum dos seletores atingiu a probabilidade de sucesso agregada alvo de 0.80, indicando que não houve vantagem de custo agregado nos regimes avaliados.
• Teste de Estresse de Hardware: Um teste de micro-célula em um modelo de ruído de dispositivo calibrado mostrou um benefício estatisticamente significativo, porém modesto, ao adotar a mitigação de erro de leitura quando selecionada via núcleo de gap, embora o resultado tenha permanecido abaixo do limiar prático.

Significância e Alegações
O artigo alega que o paradigma atual de benchmarking de QEM exclusivamente pela precisão do valor esperado é estruturalmente incompleto para fluxos de trabalho orientados por decisão.

• Implicação Operacional: Métodos de QEM devem ser selecionados com base na geometria do gap residual (margens efetivas e núcleos de decisão), não apenas na precisão pontual.
• Conclusão Modesta: O artigo não alega que a QEM é universalmente prejudicial ou que a mitigação deve sempre ser descartada. Em vez disso, argumenta que, em regimes específicos (particularmente com ruído que preserva o ranking), a mitigação pode ser decision-neutral (neutra para a decisão) ou até mesmo decision-harmful (prejudicial à decisão). A recomendação operacional é estimar a lei de gap e declinar a mitigação se a redução do viés induzido não compensar a variância de gap induzida.
• Escopo: Os resultados são específicos para regimes de disparos finitos, alocação fixa e aproximações gaussianas. O artigo evita explicitamente fazer alegações universais sobre teorias adaptativas ou limites de Fisher quânticos independentes de medição, posicionando seus achados como uma correção necessária ao atual cenário de benchmarking, em vez de uma substituição completa de toda a teoria de QEM.

O artigo conclui que "a QEM deve, portanto, ser avaliada não apenas por quão precisamente ela estima valores, mas se ela melhora as decisões que esses valores são usados para tomar".