[论文解读] Experimental demonstration of Pauli-frame randomization on a superconducting qubit

Matthew Ware, Guilhem Ribeill+4 more|arXiv (Cornell University)|Mar 5, 2018

Quantum Computing Algorithms and Architecture参考文献 73被引用 46

一句话总结

本文在超导量子比特上实现了泡利框架随机化（PFR），将相干的、非马尔可夫性错误转换为随机泡利错误，显著提升了量子误差模型的准确性。通过量子门集层析成像（GST），作者表明PFR将非马尔可夫性特征从43σ至1987σ降低至0.3σ–2.7σ之间，并提升了泡利误差模型的保真度，且未造成门保真度下降，甚至降低了钻石范数误差率。

ABSTRACT

The promise of quantum computing with imperfect qubits relies on the ability of a quantum computing system to scale cheaply through error correction and fault-tolerance. While fault-tolerance requires relatively mild assumptions about the nature of qubit errors, the overhead associated with coherent and non-Markovian errors can be orders of magnitude larger than the overhead associated with purely stochastic Markovian errors. One proposal to address this challenge is to randomize the circuits of interest, shaping the errors to be stochastic Pauli errors but leaving the aggregate computation unaffected. The randomization technique can also suppress couplings to slow degrees of freedom associated with non-Markovian evolution. Here we demonstrate the implementation of Pauli-frame randomization in a superconducting circuit system, exploiting a flexible programming and control infrastructure to achieve this with low effort. We use high-accuracy gate-set tomography to characterize in detail the properties of the circuit error, with and without the randomization procedure, which allows us to make rigorous statements about Markovianity as well as the nature of the observed errors. We demonstrate that randomization suppresses signatures of non-Markovian evolution to statistically insignificant levels, from a Markovian model violation ranging from $43\sigma$ to $1987\sigma$, down to violations between $0.3\sigma$ and $2.7\sigma$ under randomization. Moreover, we demonstrate that, under randomization, the experimental errors are well described by a Pauli error model, with model violations that are similarly insignificant (between $0.8\sigma$ and $2.7\sigma$). Importantly, all these improvements in the model accuracy were obtained without degradation to fidelity, and with some improvements to error rates as quantified by the diamond norm.

研究动机与目标

• 证明泡利框架随机化（PFR）能够有效将超导量子比特系统中的相干、非马尔可夫性误差转换为随机泡利误差。
• 通过高精度门集层析成像（GST）严格检验PFR是否抑制了非马尔可夫性误差特征。
• 验证随机化后的误差模型是否可被泡利误差模型良好描述，且模型偏差极小。
• 评估PFR是否在不降低门保真度或增加误差率的前提下提升了误差模型的准确性。

提出的方法

• 通过在量子电路序列中的 Clifford 门之间插入均匀随机的泡利操作来实现PFR。
• 通过泡利框架校正（PL+1）对最终测量基进行校正，以在不进行后处理的情况下保持计算结果不变。
• 使用高精度门集层析成像（GST）表征门误差，且对态制备与测量（SPAM）误差不敏感。
• 计算钻石范数与平均保真度损失，以量化随机化前后误差率的变化。
• 应用统计假设检验评估马尔可夫性的程度及泡利模型保真度，使用似然比检验得出的p值。
• 实验设置采用灵活的控制与编程基础设施，生成并执行了350万个唯一随机化序列，每序列仅执行一次，以避免相关性效应。

实验结果

研究问题

• RQ1 泡利框架随机化能否有效抑制超导量子比特系统中的非马尔可夫性误差特征？
• RQ2 在存在实验缺陷的情况下，PFR在多大程度上提升了泡利误差模型的准确性？
• RQ3 PFR是否在将噪声重塑为更良性的形式的同时保持或提升门保真度？
• RQ4 门集层析成像能否可靠量化随机化带来的模型偏差减少？
• RQ5 误差模型准确性的提升是否具有统计显著性，且是否与钻石范数误差率的降低相关？

主要发现

• PFR将非马尔可夫性误差特征的偏差范围从43σ至1987σ降低至0.3σ至2.7σ之间，表明与马尔可夫性无统计显著偏差。
• 泡利误差模型保真度得到提升，随机化后模型偏差降至0.8σ至2.7σ之间，表明泡利描述高度准确。
• 随机化后钻石范数误差率降低，表明PFR在不降低门保真度的前提下改善了整体误差率。
• 所有模型准确性提升与误差抑制效果均未导致门保真度下降，且部分误差率得到改善。
• 实验通过灵活的控制基础设施与单次随机化序列实现上述结果，有效避免了相关性效应，确保了统计稳健性。
• 本研究证实，即使在实际实验缺陷下，PFR仍能有效将噪声转化为与容错量子计算兼容的形式。