Propagated noise absorption (PNA)

Paket ini mengimplementasikan propagated noise absorption (PNA) [1] untuk memitigasi error pada expectation value dari observable.

PNA bekerja dengan "menyerap" invers dari noise channel yang telah dipelajari ke dalam observable target memakai Pauli propagation. Artinya, setiap generator noise Pauli di noise model dirambatkan secara klasik sampai akhir circuit dan diterapkan ke observable. Hasilnya adalah observable baru yang, saat diukur pada QPU, memitigasi noise gate yang telah dipelajari.

Paket ini cocok untuk mengestimasi expectation value dari quantum circuit umum dan observable Pauli; namun, tekniknya umumnya paling efektif pada circuit yang hampir Clifford.

Mulai

Panduan sederhana untuk membantumu mulai dengan cepat memakai paket ini tersedia di panduan quickstart.

Contoh kasus penggunaan

Teknik ini sudah dipakai untuk memitigasi noise pada model Ising 56-qubit yang di-Trotterize [1].

Pembahasan teknis

Gambaran metode

Mengeksekusi gate entangling pada QPU modern menghasilkan noise dalam jumlah besar. Sampai perangkat yang sepenuhnya fault tolerant tersedia, gate entangling ideal, $U$, tidak akan tersedia. Gate tersebut akan dipengaruhi oleh suatu noise channel, $\Lambda$.

Noise gate ini bisa dipelajari dan dikarakterisasi secara efisien sebagai model Pauli-Lindblad, dan seperti yang ditunjukkan di probabilistic error cancellation (PEC), kita bisa memitigasi error dengan mengimplementasikan anti-noise, $\Lambda^{-1}$, lewat protokol sampling QPU [2]. Teknik lain, seperti tensor-network error mitigation (TEM), mengimplementasikan noise channel invers sebagai langkah post-processing klasik [3].

Seperti TEM, PNA mengimplementasikan noise channel invers dalam langkah pemrosesan klasik. Sementara TEM memakai tensor network untuk menggambarkan dan menerapkan peta pemitigasi noise ke sekumpulan pengukuran yang informationally complete, PNA memakai Pauli propagation untuk merambatkan observable, $O$, melalui noise channel invers. Hasilnya adalah observable baru, $\tilde{O}$, yang saat diukur terhadap noisy state, memitigasi noise yang telah dipelajari.

Sumber bias

• Implementasi ini merambatkan setiap generator error Pauli di dalam setiap anti-noise channel, $\Lambda^{-1}_i$, sampai akhir circuit. Saat setiap generator anti-noise dirambatkan maju melalui circuit di bawah aksi $N$ gate rotasi Pauli dari circuit $M$-qubit, jumlah suku akan tumbuh sebesar $O(2^N)$ menuju maksimum $4^M$ komponen Pauli unik. Untuk mengendalikan biaya komputasi, suku dengan koefisien kecil harus dipotong, yang menimbulkan sedikit error pada anti-noise channel yang berevolusi.

• Selain pemotongan anti-noise channel yang berevolusi, $\Lambda^{-1}$, $\tilde{O}$ juga dipotong saat dirambatkan melalui $\Lambda^{-1}$. Ini juga merupakan sumber bias pada expectation value akhir yang sudah dimitigasi.

• Membiarkan $\tilde{O}$ tumbuh lebih besar selama propagasi akan meningkatkan akurasinya, tetapi mengukurnya butuh jauh lebih banyak shot di QPU. Biasanya ini menaikkan koefisien suku Pauli asli di $O$, sekaligus menciptakan banyak suku Pauli baru dengan koefisien lebih kecil. Baik penskalaan ulang koefisien asli maupun pembuatan suku baru dapat menaikkan overhead sampling. Dalam praktik, kita memotong sekali lagi dengan hanya mengukur suku terbesar di $\tilde{O}$.

Berkontribusi

Kode sumber tersedia di GitHub.

Panduan developer ada di CONTRIBUTING.md pada root repositori proyek ini. Dengan berpartisipasi, kamu diharapkan menjunjung kode etik Qiskit.

Kami memakai GitHub issues untuk melacak permintaan dan bug.

Mengutip paket ini

Kalau kamu memakai paket ini dalam penelitianmu, gunakan file CITATION.bib di repositori proyek ini untuk mengutip referensi yang sesuai.

Lisensi

Apache License 2.0

Kebijakan Deprecation

Kami mengikuti semantic versioning. Sesekali kami mungkin membuat perubahan yang breaking demi memperbaiki pengalaman pengguna. Jika memungkinkan, kami akan mempertahankan interface lama dan menandainya sebagai deprecated, selama masih bisa berdampingan dengan yang baru. Setiap peningkatan besar, perubahan breaking, atau deprecation akan didokumentasikan di catatan rilis.

Referensi

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].