ספיגת רעש מופץ (PNA)

החבילה הזו מממשת ספיגת רעש מופץ (PNA) [1] להפחתת שגיאות בערך התצפית של אובזרבבלים.

PNA פועלת על ידי "ספיגה" של ההפכים של ערוצי הרעש שנלמדו לתוך אובזרבבל יעד, באמצעות הפצת פאולי. כלומר, כל מחולל רעש פאולי במודל הרעש מופץ קלאסית עד סוף המעגל ומוחל על האובזרבבל. התוצאה היא אובזרבבל חדש שכאשר מודדים אותו על QPU, מפחית את רעש השערים שנלמד.

החבילה הזו מתאימה להערכת ערכי תצפית של מעגלים קוונטיים כלליים ושל אובזרבבלי פאולי; עם זאת, הטכניקה בדרך כלל יעילה ביותר במעגלים הקרובים ל-Clifford.

תחילת העבודה

מדריך פשוט שיעזור לכם להתחיל מהר עם החבילה הזו זמין במדריך ההתחלה המהירה.

דוגמאות לשימוש

הטכניקה הזו שימשה להפחתת רעש במודלי Ising בקירוב Trotter בני 56 qubits [1].

דיון טכני

סקירת השיטה

הרצת שערי הסתבכות ב-QPUs מודרניים יוצרת כמות רעש משמעותית. עד שיהיו זמינים התקנים עמידים לתקלות לחלוטין, שערי הסתבכות אידיאליים, $U$, לא יהיו זמינים. במקומם הם יושפעו מערוץ רעש כלשהו, $\Lambda$.

אפשר ללמוד ולאפיין ביעילות את רעש השערים הזה כמודל Pauli-Lindblad, וכפי שמודגם בביטול שגיאות הסתברותי (PEC), אפשר להפחית את השגיאה על ידי מימוש האנטי-רעש, $\Lambda^{-1}$, באמצעות פרוטוקול דגימה ב-QPU [2]. טכניקות אחרות, כמו הפחתת שגיאות ברשת טנזורים (TEM), מממשות את ערוץ הרעש ההפוך כשלב עיבוד לאחר קלאסי [3].

בדומה ל-TEM, PNA מממשת את ערוץ הרעש ההפוך בשלב עיבוד קלאסי. בעוד ש-TEM משתמשת ברשתות טנזורים כדי לתאר וליישם את המיפוי שמפחית רעש על קבוצה של מדידות שלמות אינפורמציונית, PNA משתמשת בהפצת פאולי כדי להפיץ את האובזרבבל, $O$, דרך ערוץ הרעש ההפוך. התוצאה היא אובזרבבל חדש, $\tilde{O}$, שכאשר מודדים אותו מול המצב הרועש, מפחית את הרעש שנלמד.

מקורות להטיה

• המימוש הזה מפיץ כל מחולל שגיאות פאולי בתוך כל ערוץ אנטי-רעש, $\Lambda^{-1}_i$, עד סוף המעגל. כשמחולל אנטי-רעש מופץ קדימה במעגל תחת פעולתם של $N$ שערי סיבוב פאולי במעגל בן $M$ qubits, מספר האיברים גדל כ-$O(2^N)$ לעבר מקסימום של $4^M$ רכיבי פאולי ייחודיים. כדי לשלוט בעלות החישוב, יש לקטום איברים בעלי מקדמים קטנים, מה שגורם לשגיאה מסוימת בערוץ האנטי-רעש שהתפתח.

• בנוסף לקטימה של ערוץ האנטי-רעש שהתפתח, $\Lambda^{-1}$, גם $\tilde{O}$ נקטם בזמן שהוא מופץ דרך $\Lambda^{-1}$. זהו גם מקור להטיה בערך התצפית הסופי אחרי ההפחתה.

• אף שאם נניח ל-$\tilde{O}$ לגדול יותר במהלך ההפצה הדיוק שלו יעלה, מדידתו דורשת הרבה יותר shots ב-QPU. בדרך כלל זה מגדיל את המקדמים של איברי הפאולי המקוריים ב-$O$, וגם יוצר הרבה איברי פאולי חדשים עם מקדמים קטנים יותר. גם שינוי הקנה מידה של המקדמים המקוריים וגם יצירת האיברים החדשים יכולים להגדיל את עומס הדגימה. בפועל, אנחנו קוטמים פעם נוספת על ידי מדידה של האיברים הגדולים ביותר ב-$\tilde{O}$ בלבד.

תרומה לפרויקט

קוד המקור זמין ב-GitHub.

מדריך המפתחים נמצא ב-CONTRIBUTING.md בשורש המאגר של הפרויקט. בהשתתפות בפרויקט אתם מתחייבים לכבד את קוד ההתנהגות של Qiskit.

אנחנו משתמשים ב-GitHub issues למעקב אחרי בקשות ובאגים.

ציטוט החבילה

אם אתם משתמשים בחבילה הזו במחקר שלכם, השתמשו בקובץ CITATION.bib במאגר של הפרויקט כדי לצטט את ההפניות המתאימות.

רישיון

Apache License 2.0

מדיניות הוצאה משימוש

אנחנו עוקבים אחרי semantic versioning. לפעמים נבצע שינויים שוברים כדי לשפר את חוויית המשתמש. כשאפשר, נשמור על ממשקים ישנים ונסמן אותם כמוצאים משימוש, כל עוד הם יכולים להתקיים לצד החדשים. כל שיפור משמעותי, שינוי שובר או הוצאה משימוש יתועדו בהערות הגרסה.

מקורות

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].