Absorpce propagovaného šumu (PNA)

Tento balíček implementuje absorpci propagovaného šumu (PNA) [1] pro potlačení chyb v očekávané hodnotě observabel.

PNA funguje tak, že „absorbuje“ inverze naučených šumových kanálů do cílové observably pomocí Pauliho propagace. To znamená, že každý Pauliho šumový generátor v modelu šumu je klasicky propagován na konec obvodu a aplikován na observabli. Výsledkem je nová observabla, která při měření na QPU potlačuje naučený hradlový šum.

Tento balíček je vhodný pro odhad očekávaných hodnot obecných kvantových obvodů a Pauliho observabel; technika je však obecně nejúčinnější na obvodech blízkých Cliffordovu.

Začínáme

Jednoduchý průvodce, který ti pomůže rychle začít s tímto balíčkem, najdeš v rychlém startu.

Příklady použití

Tato technika byla použita k potlačení šumu na 56qubitových trotterizovaných Isingových modelech [1].

Technická diskuse

Přehled metody

Provádění provazujících hradel na moderních QPU vede k podstatnému množství šumu. Dokud nebudou k dispozici plně odolná zařízení, nebudou k dispozici ideální provazující hradla, $U$. Místo toho budou ovlivněna nějakým šumovým kanálem, $\Lambda$.

Tento hradlový šum lze naučit a efektivně charakterizovat jako Pauliho-Lindbladův model a, jak ukazuje pravděpodobnostní rušení chyb (PEC), můžeme chybu potlačit implementací anti-šumu, $\Lambda^{-1}$, pomocí vzorkovacího protokolu na QPU [2]. Jiné techniky, například potlačení chyb pomocí tenzorových sítí (TEM), implementují inverzní šumový kanál jako krok klasického následného zpracování [3].

Stejně jako TEM implementuje PNA inverzní šumový kanál v kroku klasického zpracování. Zatímco TEM používá tenzorové sítě k popisu a aplikaci mapy potlačující šum na množinu informačně úplných měření, PNA používá Pauliho propagaci k propagaci observably, $O$, skrz inverzní šumový kanál. Výsledkem je nová observabla, $\tilde{O}$, která při měření na zašuměném stavu potlačuje naučený šum.

Zdroje zkreslení

• Tato implementace propaguje každý Pauliho chybový generátor v rámci každého anti-šumového kanálu, $\Lambda^{-1}_i$, na konec obvodu. Jak se každý anti-šumový generátor propaguje dopředu obvodem působením $N$ Pauliho rotačních hradel $M$-qubitového obvodu, počet členů poroste jako $O(2^N)$ směrem k maximu $4^M$ unikátních Pauliho složek. Aby se řídily výpočetní náklady, je nutné členy s malými koeficienty ořezávat, což vede k určité chybě ve vyvinutém anti-šumovém kanálu.

• Kromě ořezávání vyvinutého anti-šumového kanálu, $\Lambda^{-1}$, je i $\tilde{O}$ při propagaci skrz $\Lambda^{-1}$ ořezávána. I to je zdrojem zkreslení ve výsledné potlačené očekávané hodnotě.

• Zatímco umožnění růstu $\tilde{O}$ během propagace zvyšuje její přesnost, její měření vyžaduje mnohem více shotů na QPU. Typicky se tím zvětšují koeficienty původních Pauliho členů v $O$ a zároveň vzniká mnoho nových Pauliho členů s menšími koeficienty. Jak přeškálování původních koeficientů, tak vznik nových členů může zvýšit režii vzorkování. V praxi ořezáváme ještě jednou tím, že měříme pouze největší členy v $\tilde{O}$.

Přispívání

Zdrojový kód je dostupný na GitHubu.

Vývojářská příručka se nachází v souboru CONTRIBUTING.md v kořenovém adresáři repozitáře tohoto projektu. Účastí se zavazuješ dodržovat kodex chování Qiskitu.

Pro sledování požadavků a chyb používáme issues na GitHubu.

Citace tohoto balíčku

Pokud tento balíček používáš ve svém výzkumu, použij soubor CITATION.bib v repozitáři tohoto projektu a cituj příslušné reference.

Licence

Apache License 2.0

Zásady zastarávání

Řídíme se sémantickým verzováním. Občas můžeme provést změny narušující zpětnou kompatibilitu, abychom zlepšili uživatelský zážitek. Pokud to bude možné, ponecháme staré rozhraní a označíme je jako zastaralé, dokud může koexistovat s novými. Každé podstatné vylepšení, změna narušující kompatibilitu nebo zastarání bude zdokumentováno v poznámkách k vydání.

Reference

1. Andrew Eddins, et al., Computing noise-canceling observables via Pauli propagation, arXiv:2606.20441 [quant-ph].

2. Ewout van den Berg, et al., Probabilistic error cancellation with sparse Pauli-Lindblad models on noisy quantum processors, arXiv:2201.09866 [quant-ph].

3. Sergei Filippov, et al., Scalable tensor-network error mitigation for near-term quantum computing, arXiv:2307.11740 [quant-ph].