Absorption de bruit propagé (PNA)

Ce package implémente l'absorption de bruit propagé (PNA) [1] pour mitiger les erreurs dans la valeur moyenne des observables.

La PNA fonctionne en « absorbant » les inverses des canaux de bruit appris dans une observable cible à l'aide de la propagation de Pauli. Autrement dit, chaque générateur de bruit de Pauli du modèle de bruit est propagé classiquement jusqu'à la fin du circuit et appliqué à l'observable. On obtient ainsi une nouvelle observable qui, lorsqu'elle est mesurée sur un QPU, mitige le bruit de porte appris.

Ce package convient à l'estimation de valeurs moyennes de circuits quantiques généraux et d'observables de Pauli ; toutefois, la technique est généralement plus efficace sur les circuits proches de Clifford.

Pour commencer

Un guide simple pour t'aider à démarrer rapidement avec ce package est disponible dans le guide de démarrage rapide.

Exemples de cas d'usage

Cette technique a été utilisée pour mitiger le bruit sur des modèles d'Ising trotterisés de 56 qubits [1].

Discussion technique

Aperçu de la méthode

L'exécution de portes d'intrication sur les QPU modernes entraîne une quantité substantielle de bruit. Tant que des dispositifs pleinement tolérants aux pannes ne sont pas disponibles, les portes d'intrication idéales, $U$, ne seront pas disponibles. Elles seront au contraire affectées par un certain canal de bruit, $\Lambda$.

Il est possible d'apprendre et de caractériser efficacement ce bruit de porte sous la forme d'un modèle de Pauli-Lindblad et, comme le montre l'annulation probabiliste d'erreurs (PEC), nous pouvons mitiger l'erreur en implémentant l'anti-bruit, $\Lambda^{-1}$, avec un protocole d'échantillonnage sur QPU [2]. D'autres techniques, comme la mitigation d'erreurs par réseaux de tenseurs (TEM), implémentent le canal de bruit inverse comme une étape de post-traitement classique [3].

Comme la TEM, la PNA implémente le canal de bruit inverse dans une étape de traitement classique. Alors que la TEM utilise des réseaux de tenseurs pour décrire et appliquer l'application de mitigation du bruit à un ensemble de mesures informationnellement complètes, la PNA utilise la propagation de Pauli pour propager l'observable, $O$, à travers le canal de bruit inverse. On obtient ainsi une nouvelle observable, $\tilde{O}$, qui, lorsqu'elle est mesurée sur l'état bruité, mitige le bruit appris.

Sources de biais

• Cette implémentation propage chaque générateur d'erreur de Pauli de chaque canal d'anti-bruit, $\Lambda^{-1}_i$, jusqu'à la fin du circuit. Lorsque chaque générateur d'anti-bruit est propagé vers l'avant à travers le circuit sous l'action de $N$ portes de rotation de Pauli d'un circuit de $M$ qubits, le nombre de termes croît en $O(2^N)$ vers un maximum de $4^M$ composantes de Pauli uniques. Pour maîtriser le coût de calcul, les termes à petits coefficients doivent être tronqués, ce qui entraîne une certaine erreur dans le canal d'anti-bruit évolué.

• En plus de la troncature du canal d'anti-bruit évolué, $\Lambda^{-1}$, $\tilde{O}$ est également tronquée lorsqu'elle est propagée à travers $\Lambda^{-1}$. Il s'agit là aussi d'une source de biais dans la valeur moyenne mitigée finale.

• Laisser $\tilde{O}$ croître davantage pendant la propagation augmente sa précision, mais la mesurer exige de prendre beaucoup plus de shots sur le QPU. Cela augmente généralement les coefficients des termes de Pauli d'origine dans $O$, tout en créant de nombreux nouveaux termes de Pauli avec des coefficients plus petits. La remise à l'échelle des coefficients d'origine et la création de nouveaux termes peuvent toutes deux augmenter le surcoût d'échantillonnage. En pratique, nous tronquons une fois de plus en ne mesurant que les plus grands termes de $\tilde{O}$.

Contribuer

Le code source est disponible sur GitHub.

Le guide du développeur se trouve dans CONTRIBUTING.md à la racine du dépôt de ce projet. En participant, tu t'engages à respecter le code de conduite de Qiskit.

Nous utilisons les issues GitHub pour suivre les demandes et les bugs.

Citer ce package

Si tu utilises ce package dans tes recherches, utilise le fichier CITATION.bib du dépôt de ce projet pour citer la ou les références appropriées.

Licence

Apache License 2.0

Politique de dépréciation

Nous suivons le versionnage sémantique. Il nous arrive occasionnellement d'introduire des changements incompatibles afin d'améliorer l'expérience utilisateur. Lorsque c'est possible, nous conserverons les anciennes interfaces et les marquerons comme dépréciées, tant qu'elles peuvent coexister avec les nouvelles. Chaque amélioration substantielle, changement incompatible ou dépréciation sera documenté dans les notes de version.

Références

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].