Hardware-Efficient Error Mitigation and Shot-Efficient Sampling on IBM Quantum Hardware
Este artigo avalia experimentalmente as compensações entre técnicas de mitigação de erro e amostragem de disparos finitos em hardware IBM Quantum sob um orçamento de execução restrito, fornecendo uma caracterização consciente do hardware sobre quando as estratégias de mitigação melhoram a precisão da estimativa versus quando as flutuações de amostragem anulam seus benefícios.
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
No zumbido silencioso de uma sala de servidores, um novo tipo de computador está aprendendo a pensar. Essas máquinas, construídas a partir de circuitos supercondutores resfriados a temperaturas mais frias que o espaço profundo, prometem resolver problemas que levariam os supercomputadores de hoje milênios para decifrar. Mas há um porém: esses computadores quânticos são incrivelmente frágeis. A menor vibração ou calor pode fazer com que seus cálculos deem errado. Como ainda não somos capazes de construir máquinas que sejam completamente imunes a esses erros, os cientistas desenvolveram um conjunto de truques chamados mitigação de erro. Esses truques não consertam as partes quebradas da máquina; em vez disso, tentam adivinhar qual deveria ter sido a resposta correta executando o mesmo cálculo muitas vezes e procurando padrões nos erros. A esperança é que, ao combinar esses resultados ruidosos, possamos extrair um sinal claro do estático.
No entanto, há um custo oculto para esses truques. Para obter um palpite melhor, o computador deve executar o cálculo mais vezes, consumindo um recurso limitado conhecido como "shots" (disparos), que são simplesmente o número de vezes que a máquina é solicitada a medir seu resultado. Se você gastar muitos disparos tentando corrigir os erros, poderá acabar com um resultado menos preciso do que se tivesse apenas executado o cálculo algumas vezes e aceitado o ruído. Essa tensão entre corrigir erros e ficar sem tentativas é o enigma central que os pesquisadores estão tentando resolver. Eles precisam saber exatamente quando esses métodos de correção ajudam e quando eles realmente pioram as coisas, especialmente nas máquinas reais disponíveis hoje.
Um pesquisador do Instituto Indiano de Tecnologia de Jodhpur decidiu testar esse equilíbrio em um computador quântico real e funcional. Ele utilizou um poderoso processador de 156 qubits da IBM, uma máquina que representa o estado da arte da tecnologia atual. Seu objetivo não era apenas ver se a correção de erros funcionava, mas medi-la de forma justa, mantendo o número total de tentativas fixo. Imagine que você tem um tempo fixo para tirar uma fotografia de um objeto em movimento. Você pode fazer uma única exposição longa, que pode ficar borrada, ou tirar muitas fotografias rápidas e combiná-las. O pesquisador queria saber se tirar muitas fotografias rápidas e combiná-las com uma receita matemática específica daria, de fato, uma imagem mais clara do que apenas tirar uma foto longa, dado que o tempo total disponível fosse o mesmo para ambos os métodos.
O pesquisador configurou uma série de experimentos usando diferentes tipos de circuitos, que são as instruções dadas ao computador. Ele testou cadeias simples de qubits, padrões repetitivos de operações e um tipo específico de cálculo usado para problemas de otimização. Ele comparou os resultados brutos, não corrigidos, contra várias estratégias de correção. Uma estratégia envolveu corrigir erros que ocorrem quando a máquina lê a resposta final. Outra envolveu executar o cálculo em diferentes níveis de ruído artificial e, então, adivinhar matematicamente qual seria o resultado se não houvesse ruído algum. Eles também testaram um método inteligente e adaptativo que tentava decidir quantas vezes executar cada parte do cálculo com base no quão ruidosa aquela parte específica parecia ser.
Os resultados foram surpreendentes e sutis. O pesquisador descobriu que o método inteligente e adaptativo não vencia automaticamente. Na verdade, quando comparou o método inteligente com um método simples e uniforme, onde cada parte do cálculo era executada o mesmo número de vezes, o método inteligente só teve um desempenho melhor em dois de seis cenários diferentes. Nos outros quatro cenários, a abordagem simples e uniforme foi, na verdade, mais precisa. Isso sugere que a estratégia complexa de ajustar constantemente o número de tentativas com base em verificações preliminares de ruído não é uma melhoria garantida. Às vezes, o esforço extra para ser "inteligente" sobre onde gastar os disparos acaba levando a uma resposta final pior.
Outra descoberta fundamental foi que os métodos de correção não corrigiam sempre o viés, ou o erro sistemático, da maneira que os cientistas esperavam. Para um tipo específico de cálculo envolvendo um padrão de estados de cima e baixo, o método projetado para remover o ruído tornou o erro maior do que ele era antes. O pesquisador observou que, quando o computador era solicitado a medir um valor que estava muito próximo do limite do que era possível, o truque matemático usado para remover o ruído às vezes ultrapassava o alvo, empurrando a resposta para mais longe da verdade. Isso aconteceu mesmo que o método seja amplamente utilizado e confiável. Mostrou que essas ferramentas não são varinhas mágicas que funcionam em todas as situações; elas podem, às vezes, introduzir novos problemas enquanto tentam resolver problemas antigos.
O estudo também destacou a importância do layout físico do próprio computador. O pesquisador descobriu que simplesmente escolher quais fios no chip usar para o seu cálculo fazia uma enorme diferença. Quando usaram um par de fios conhecidos por terem baixo erro, seus resultados foram significativamente melhores do que quando usaram um par de fios do mesmo chip conhecidos por serem de alto erro. A diferença de qualidade entre esses dois pares de fios foi tão grande que era comparável à diferença causada pela adição de várias camadas extras de complexidade ao cálculo. Isso significa que, antes de tentar corrigir erros com software, pode ser tão importante quanto selecionar cuidadosamente as melhores partes físicas da máquina para executar o código.
Por fim, o pesquisador concluiu que não existe uma regra única e universal para quando usar a mitigação de erro. A decisão depende inteiramente da máquina específica, do cálculo específico sendo executado e do número de tentativas disponíveis. No processador IBM que ele testou, a estratégia de alocação adaptativa de disparos que ele testou não foi superior à abordagem simples e uniforme. Em muitos casos, os métodos padrão de correção de erros aumentaram a incerteza do resultado em vez de reduzi-la. O pesquisador liberou todos os seus dados, códigos e as instruções exatas que usou para que outros possam repetir os experimentos. Seu trabalho serve como um lembrete de que, no mundo ruidoso da computação quântica atual, a solução mais sofisticada nem sempre é a melhor, e que testes cuidadosos e honestos são necessários antes de decidir aplicar essas correções poderosas, mas dispendiosas.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.