[논문 리뷰] Wildcard error: Quantifying unmodeled errors in quantum processors
이 논문은 표준 오차 모델에 매개변수화된 와일드카드 성분을 추가하여 양자 프로세서에서 모델링되지 않은 오차를 정량화하기 위해 와일드카드 오차 모델을 도입한다. 이 방법은 모델 예측과 관측된 데이터를 일치시키기 위해 필요한 최소한의 와일드카드 매개변수를 찾음으로써, 특히 유실과 같은 비마르코프 효과를 포함한 모델링되지 않은 오차 비율을 직접 측정할 수 있게 한다. 이는 시뮬레이션된 실험 및 실험적 랜덤라이즈드 벤치마킹(RB) 및 게이트 세트 토모그래피(GST) 데이터 세트에서 신뢰성 있는 성능을 보여준다.
Error models for quantum computing processors describe their deviation from ideal behavior and predict the consequences in applications. But those processors' experimental behavior -- the observed outcome statistics of quantum circuits -- are rarely consistent with error models, even in characterization experiments like randomized benchmarking (RB) or gate set tomography (GST), where the error model was specifically extracted from the data in question. We show how to resolve these inconsistencies, and quantify the rate of unmodeled errors, by augmenting error models with a parameterized wildcard error model. Adding wildcard error to an error model relaxes and weakens its predictions in a controlled way. The amount of wildcard error required to restore consistency with data quantifies how much unmodeled error was observed, in a way that facilitates direct comparison to standard gate error rates. Using both simulated and experimental data, we show how to use wildcard error to reconcile error models derived from RB and GST experiments with inconsistent data, to capture non-Markovianity, and to quantify all of a processor's observed error.
연구 동기 및 목표
- 표준 오차 모델이 동일한 데이터에서 유도되더라도 여전히 실험 데이터와 일관되지 않은 문제를 해결하기 위해.
- 특히 유실과 같은 비마르코프 효과를 포함한 모델링되지 않은 오차의 비율을 정량화하기 위해.
- 모델의 예측 실패 원인인 모델링되지 않은 동역학을 정량화함으로써 단순 오차 모델을 재활용할 수 있는 확장 가능한, 매개변수화된 방법을 제공하기 위해.
- 모델 예측의 신뢰도를 향상시키기 위해 모델링되지 않은 오차 비율을 표준 게이트 오차 비율과 직접 비교할 수 있도록 하기 위해.
- 트랩된 이온 양자 프로세서에서의 실제 실험 데이터에 대해 이 방법의 유용성을 입증하여, GST 모델이 비마르코프 효과로 인해 신뢰할 수 없게 되는지 여부를 밝혀내기 위해.
제안 방법
- 표준 오차 모델에 확률적 예측을 영역으로 확장하여 모델의 제약을 약화시켜 모델링되지 않은 오차를 수용할 수 있도록 하는 와일드카드 모델을 추가한다.
- 와일드카드 오차 비율이 회로 깊이와 SPAM 오차에 선형적으로 비례하는 2매개변수 와일드카드 모델을 사용한다: $\mathcal{W}(C) = w_{\textsc{spam}} + d_C w_{\text{gate}}$.
- 모델 예측과 실험 데이터 간의 일관성을 복원하기 위해 필요한 최소한의 와일드카드 모델(ℓ₁-노름 기준)을 찾기 위해 볼록 최적화 기법을 사용한다.
- 모델링되지 않은 오차 비율을 정량화하기 위해 시뮬레이션 및 실험적 랜덤라이즈드 벤치마킹(RB) 및 게이트 세트 토모그래피(GST) 데이터에 이 방법을 적용한다.
- 와일드카드 오차 비율을 진단 도구로 사용한다: $w_{\text{gate}} \gg \epsilon_{\diamond}$이면 모델은 신뢰할 수 없고, $w_{\text{gate}} \ll \epsilon_{\diamond}$이면 모델은 대부분 정확할 가능성이 높다.
- 완전한 모델링이 불가능한 크로스타크 및 비마르코프 오차 정량화와 같은 분야에 이 방법을 적용하여 확장성과 실용성을 입증한다.
실험 결과
연구 질문
- RQ1표준 오차 모델이 동일한 데이터에서 학습되었음에도 불구하고 실험 데이터를 예측하지 못할 경우, 어떻게 양자 프로세서에서 모델링되지 않은 오차의 비율을 정량화할 수 있는가?
- RQ2랜덤라이즈드 벤치마킹 및 게이트 세트 토모그래피에서 비마르코프 오차(예: 유실 또는 기억 효과)가 모델-데이터 불일치에 얼마나 기여하는가?
- RQ3최소한의 와일드카드 모델을 사용하여 주어진 오차 모델이 예측에서 신뢰할 수 없거나 근본적으로 잘못되었는지 판단할 수 있는가?
- RQ4와일드카드 오차 비율은 모델 정밀도 평가에 있어 표준 게이트 오차 비율(예: 다이아몬드 노름)과 어떻게 비교되는가?
- RQ5완전한 직접 모델링이 어려운 복잡한 오차 원천(예: 크로스타크)을 탐지하고 정량화하는 데 와일드카드 분석을 사용할 수 있는가?
주요 결과
- Z-기저 디코herence 비율이 2%인 시뮬레이션된 RB 실험에서, 샷 수가 증가함에 따라 와일드카드 오차 비율 $w_{\text{gate}}$는 0.5%로 수렴하여 진짜 디코herence 비율과 매우 유사하게 나타났다.
- 트랩된 이온 프로세서에서의 실험적 GST 데이터에서는 초기 실험이 $w_i = 5 \times 10^{-3}$를 요구하여 비마르코프 오차가 지배적이며 GST 모델이 신뢰할 수 없다는 것을 시사했다.
- 최종 실험적 GST 데이터 세트에서는 모든 와일드카드 오차 비율이 $3 \times 10^{-6}$ 이하였고, 다이아몬드 노름 오차는 $\sim 10^{-4}$였으며, 이는 마르코프 오차가 지배적이며 모델이 신뢰할 수 있음을 보여주었다.
- 각 게이트에 대한 와일드카드 오차 비율은 관측 빈도와 GST 모델 예측 간의 총 변화 거리와 강하게 상관관계가 있었으며, 이는 진단 도구로의 활용 타당성을 검증했다.
- 표준 모델이 실패하는 동안에도 최소한의 와일드카드 매개변수를 식별함으로써 이 방법이 일관되지 않은 RB 및 GST 데이터를 성공적으로 재조정하여 모델 일관성을 회복시켰다.
- 와일드카드 분석을 통해 일부 실험에서 GST가 추정한 오차 비율이 모델링되지 않은 비마르코프 효과로 인해 현저히 과소평가되었음을 밝혀내었으며, 이는 와일드카드가 직접적으로 이를 정량화함으로써 확인되었다.
더 나은 연구,지금 바로 시작하세요
논문 읽기부터 검토까지, 연구 시간을 획기적으로 줄여보세요.
카드 등록 없음 · 무료 플랜 제공
이 리뷰는 AI가 만들고, 인간 에디터가 검토했습니다.