Propagated noise absorption (PNA)

แพ็กเกจนี้ implement propagated noise absorption (PNA) [1] เพื่อลดข้อผิดพลาดในค่าคาดหวังของ observable

PNA ทำงานโดย “ดูดซับ” ค่าผกผันของ noise channel ที่เรียนรู้มาเข้าไปใน observable เป้าหมายด้วย Pauli propagation กล่าวคือ Pauli noise generator แต่ละตัวใน noise model จะถูกส่งไปจนถึงท้าย circuit แบบคลาสสิกและนำไปใช้กับ observable ผลที่ได้คือ observable ใหม่ที่เมื่อวัดบน QPU แล้วจะลดสัญญาณรบกวนของ gate ที่เรียนรู้ไว้

แพ็กเกจนี้เหมาะสำหรับการประมาณค่าคาดหวังของ quantum circuit ทั่วไปและ Pauli observable อย่างไรก็ตาม เทคนิคนี้มักได้ผลดีที่สุดกับ circuit ที่ใกล้เคียง Clifford

เริ่มต้นใช้งาน

มีคู่มือง่าย ๆ ที่ช่วยให้คุณเริ่มต้นใช้แพ็กเกจนี้ได้อย่างรวดเร็วในคู่มือเริ่มต้นอย่างรวดเร็ว

ตัวอย่างกรณีการใช้งาน

เทคนิคนี้ถูกนำไปใช้ลดสัญญาณรบกวนบนแบบจำลอง Ising ที่ทำ Trotter ขนาด 56 qubit [1]

การอภิปรายทางเทคนิค

ภาพรวมของวิธีการ

การรัน entangling gate บน QPU สมัยใหม่ก่อให้เกิดสัญญาณรบกวนจำนวนมาก จนกว่าจะมีอุปกรณ์ fault tolerant เต็มรูปแบบ entangling gate อุดมคติ, $U$, จะยังไม่มีให้ใช้ แต่จะถูกกระทบด้วย noise channel บางอย่าง, $\Lambda$

เราสามารถเรียนรู้และระบุลักษณะสัญญาณรบกวนของ gate นี้อย่างมีประสิทธิภาพในรูปแบบ Pauli-Lindblad model และดังที่แสดงใน probabilistic error cancellation (PEC) เราสามารถลดข้อผิดพลาดโดยสร้าง anti-noise, $\Lambda^{-1}$, ด้วยโปรโตคอลการสุ่มตัวอย่างบน QPU [2] เทคนิคอื่น เช่น tensor-network error mitigation (TEM) สร้าง inverse noise channel เป็นขั้นตอนประมวลผลภายหลังแบบคลาสสิก [3]

เช่นเดียวกับ TEM, PNA สร้าง inverse noise channel ในขั้นตอนการประมวลผลแบบคลาสสิก ขณะที่ TEM ใช้ tensor network อธิบายและใช้แมปลดสัญญาณรบกวนกับชุดการวัดแบบ informationally complete, PNA ใช้ Pauli propagation เพื่อส่ง observable, $O$, ผ่าน inverse noise channel ผลที่ได้คือ observable ใหม่, $\tilde{O}$, ที่เมื่อวัดกับสถานะที่มีสัญญาณรบกวนแล้วจะลดสัญญาณรบกวนที่เรียนรู้ไว้

แหล่งที่มาของความเอนเอียง

• การ implement นี้ส่ง Pauli error generator แต่ละตัวภายใน anti-noise channel แต่ละอัน, $\Lambda^{-1}_i$, ไปจนถึงท้าย circuit เมื่อ anti-noise generator แต่ละตัวถูกส่งไปข้างหน้าผ่าน circuit ภายใต้การกระทำของ Pauli rotation gate จำนวน $N$ ตัวของ circuit ขนาด $M$ qubit จำนวนพจน์จะเพิ่มขึ้นตาม $O(2^N)$ ไปสู่ค่าสูงสุด $4^M$ องค์ประกอบ Pauli ที่ไม่ซ้ำกัน เพื่อควบคุมต้นทุนการคำนวณ ต้องตัดพจน์ที่มีสัมประสิทธิ์น้อยทิ้ง ซึ่งทำให้เกิดข้อผิดพลาดบางส่วนใน anti-noise channel ที่วิวัฒน์แล้ว

• นอกจากการตัด anti-noise channel ที่วิวัฒน์แล้ว, $\Lambda^{-1}$, ตัว $\tilde{O}$ ก็ถูกตัดเช่นกันขณะส่งผ่าน $\Lambda^{-1}$ ซึ่งเป็นอีกแหล่งหนึ่งของความเอนเอียงในค่าคาดหวังสุดท้ายที่ลดข้อผิดพลาดแล้ว

• การปล่อยให้ $\tilde{O}$ ใหญ่ขึ้นระหว่างการ propagate จะเพิ่มความแม่นยำของมัน แต่การวัดต้องใช้ shot บน QPU มากขึ้นมาก โดยทั่วไปสิ่งนี้เพิ่มสัมประสิทธิ์ของพจน์ Pauli เดิมใน $O$ พร้อมกับสร้างพจน์ Pauli ใหม่จำนวนมากที่มีสัมประสิทธิ์เล็กกว่า ทั้งการปรับสเกลสัมประสิทธิ์เดิมและการสร้างพจน์ใหม่ล้วนเพิ่ม sampling overhead ได้ ในทางปฏิบัติ เราตัดอีกครั้งโดยวัดเฉพาะพจน์ที่ใหญ่ที่สุดใน $\tilde{O}$

การมีส่วนร่วม

ซอร์สโค้ดมีให้ใช้งานบน GitHub

คู่มือนักพัฒนาอยู่ที่ CONTRIBUTING.md ในรูทของรีโพซิทอรีของโปรเจกต์นี้ เมื่อเข้าร่วม คุณควรปฏิบัติตามหลักปฏิบัติของ Qiskit

เราใช้ GitHub issues ในการติดตามคำขอและบั๊ก

การอ้างอิงแพ็กเกจนี้

หากคุณใช้แพ็กเกจนี้ในงานวิจัย ให้ใช้ไฟล์ CITATION.bib ในรีโพซิทอรีของโปรเจกต์นี้เพื่ออ้างอิงเอกสารที่เหมาะสม

สัญญาอนุญาต

Apache License 2.0

นโยบายการเลิกใช้ (deprecation)

เราใช้ semantic versioning บางครั้งเราอาจทำการเปลี่ยนแปลงที่ทำให้เข้ากันไม่ได้เพื่อปรับปรุงประสบการณ์ผู้ใช้ เมื่อเป็นไปได้ เราจะคงอินเทอร์เฟซเดิมไว้และทำเครื่องหมายว่า deprecated ตราบเท่าที่ยังอยู่ร่วมกับอินเทอร์เฟซใหม่ได้ การปรับปรุงที่สำคัญ การเปลี่ยนแปลงที่ทำให้เข้ากันไม่ได้ หรือการเลิกใช้ทุกครั้งจะบันทึกไว้ในบันทึกการเผยแพร่

เอกสารอ้างอิง

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].