Benchmarking Error Mitigation: Artefactual Improvements in Zero-Noise Extrapolation

技术摘要：基准测试中的误差缓解：零噪声外推中的人工伪像改进

问题陈述
可靠的量子误差缓解（QEM）基准测试需要区分真实的物理改进与后处理过程中引入的数学伪像。本文关注的是理查德森零噪声外推法（Richardson ZNE），这是一种广泛使用的技术，通过将不同噪声放大水平（$\lambda_k$）下的期望值拟合到多项式，以估计零噪声极限（$\hat{E}(0)$）。

本文识别出的核心问题是一个特定的失效模式：当噪声放大导致测量信号低于可用区间（接近观测量的“底限”，例如奇偶校验的 $f=0$ 或概率的 $f=1/2^N$）时，外推不再反映底层物理。相反，它会坍缩为对单个噪声测量值（$E(\lambda_1)$）的确定性重缩放。这产生了一种“占星术效应”（horoscope effect）——一种与实际噪声放大机制无关的表观改进，并可能导致非物理性的过冲（超过理想值）或无法通过进一步诊断来区分于真实缓解的虚假改进。

方法论
作者结合了理论推导、模拟和经验硬件实验，以表征并验证这一失效模式。

1. 理论推导： 论文推导出了一个闭式表征（公式 2），表明如果放大噪声水平（$k > 1$）下的期望值坍缩至底限（$f$），则理查德森估计值 $\hat{E}(0)$ 会成为仅为第一个测量值 $E(\lambda_1)$ 和底限 $f$ 的线性函数。具体而言，$\hat{E}(0) = c_1 E(\lambda_1) + (1-c_1)f$。由于对于标准缩放因子（例如 $\{1, 3, 5\}$）而言 $c_1 > 1$，因此任何接近底限的信号都会被向上重缩放，从而产生人工改进。
2. 信号保留分类法： 作者根据信号与观测量底限之间的关系定义了三个区间：
   • 信号保留（Signal Retained）： 信号保持在底限之上；外推有效。
   • 信号衰减（Signal Decayed）： 信号接近底限；恢复效果下降。
   • 信号破坏（Signal Destroyed）： 信号坍缩至或低于底限；外推退化为上述描述的伪像。
3. 垃圾折叠负对照（Garbage-Folding Negative Control）： 为了将信号破坏效应与放大机制本身分离，作者引入了一种“垃圾折叠”技术。这种技术涉及插入不还原为单位矩阵（与标准折叠不同）但匹配门计数和残余误差率的门序列。这在最大化 $\lambda > 1$ 时信号破坏的同时，保持了相同的计算成本。
4. 硬件验证： 实验在 54 比特的 IQM Euro-Q-Exa 机器上进行，使用了 4 比特量子 Trotter 电路（QTC）和 6 比特 Grover 电路。研究采用了缩放因子 $\{1, 3, 5\}$，并将真实的折叠与垃圾折叠及恒等折叠进行了比较。
5. 零成本诊断： 作者提出了一种基于逐基态概率分布的诊断检查。由于理查德森外推是概率的线性组合，有效的分布必须对所有状态具有非负概率。作者定义了“负概率权重”（$W_{neg}$）来量化对这些物理约束的违反。

关键结果

• 经验性坍缩： 在 IQM Euro-Q-Exa 硬件上，随着电路深度的增加，放大的奇偶校验值坍缩到了底限（$f=0$）。此时，理查德森估计值 $\hat{E}(0)$ 脱离了真实的理想值，并追踪理论上的重缩放预测（$\frac{15}{8}E(\lambda_1)$）。
• 人工过冲： 在信号破坏区间，该方法产生了理想值 21% 的过冲（$\hat{E}=1.16$ 对比 $E_{ideal}=0.96$），尽管信号实际上已趋于零。
• 垃圾折叠的优越性： 在模拟和硬件运行中，“垃圾折叠”（不携带任何可用信号）产生了比真实折叠更大的表观改进。例如，在 Grover 电路中，垃圾折叠产生的恢复率 $\rho \approx 0.56$，而真实折叠为 $0.44$。在信号保留区间，垃圾折叠产生了极端的非物理值（$\rho = 16$和$125$）。
• 诊断效力： 负概率权重（$W_{neg}$）成功区分了有效区间与人工伪像区间。真实折叠导致的 $W_{neg} \approx 0.02\text{--}0.04$，而处于破坏区间的垃圾折叠导致 $W_{neg} \approx 0.74$。两者的分布没有重叠（AUC = 1.0），使得 $W_{neg}$ 成为一种鲁棒的零成本指标。

核心贡献

1. 闭式表征： 证明了当 $E(\lambda_{>1})$ 到达观测量底限时，理查德模型会退化为确定性重缩放，从而使报告的改进失去意义的数学证明。
2. 信号保留分类法： 一个允许基准测试利用其自身的每 $\lambda$ 数据来确定其运行区间的框架。
3. 等成本负对照： 引入了“垃圾折叠”，用以证明仅通过信号破坏即可制造出更大的报告改进，从而证明了改进幅度并非正确性的证据。
4. 零成本诊断与清单： 一种利用现有数据（逐状态计数）通过 $W_{neg}$ 指标标记伪像的实用方法，以及一份 ZNE 基准测试报告清单。

意义与主张
本文认为，许多量子计算的经验评估有效性正受到这种鲜少被考虑的失效模式的威胁。作者声称：

• “占星术效应”（人工改进）不同于因缩放因子间距过近而导致的已知病态条件问题；一旦信号被破坏，即使是方差最优的缩放因子集（如 $\{1, 3, 5\}$）也会受到影响。
• 在信号破坏区间报告的改进并非成功缓解的证据，而是后处理算术产生的数学伪像。
• 一个可靠的基准测试必须确保改进可以归因于噪声放大机制，而非外推算术。
• 所提出的清单（报告信号保留状态、$W_{neg}$ 以及物理边界）允许社区区分 ZNE 流水线声称测量的内容与其实际测量的内容，且无需额外的计算资源。

作者保持了适度的研究范围，指出虽然目前的硬件证据仅限于一台设备和特定的电路族，但其理论推导仅依赖于线性外推器和观测量底限的一般性质，这表明该失效模式具有普适性。