[论文解读] Introduction to Quantum Gate Set Tomography

Daniel Greenbaum|arXiv (Cornell University)|Sep 9, 2015

Quantum Computing Algorithms and Architecture参考文献 7被引用 97

一句话总结

本文提出量子门集 tomography（GST）作为一种稳健的方法，通过同时估计门、态制备和测量误差，实现对量子门的表征，克服了在存在态制备和测量（SPAM）误差时量子过程 tomography（QPT）的局限性。GST 使用线性反演和最大似然估计，实现高保真度、自洽的门表征，在容错量子计算背景下表现出优于 QPT 的性能。

ABSTRACT

Quantum gate set tomography (GST) has emerged as a promising method for the full characterization of quantum logic gates. In contrast to quantum process tomography (QPT), GST self-consistently and correctly accounts for state preparation and measurement (SPAM) errors. It therefore provides significantly more accurate estimates than QPT as gate fidelities increase into the fault-tolerant regime. We give a detailed review of GST and provide a self-contained guide to its implementation. The method is presented in a step-by-step fashion and relevant mathematical background material is included. Our goal is to demonstrate the utility of GST as both an accurate characterization technique and a simple and effective diagnostic tool. As an illustration, we compare the output of GST and QPT using simulated example data for a single qubit. In agreement with the original literature, we find that coherent errors are poorly estimated by QPT near quantum error correction thresholds, while GST is accurate in this regime.

研究动机与目标

• 解决在量子计算中对准确、平台无关的门质量度量的迫切需求，特别是为满足量子误差纠正（QEC）阈值要求。
• 克服量子过程 tomography（QPT）的根本局限性，即在存在态制备和测量（SPAM）误差时，尤其是即使门误差减小仍持续存在的本征 SPAM 误差时，QPT 会失效。
• 开发一种自洽的表征框架，同时估计门、SPAM 操作及其误差，避免假设态制备和测量是完美的。
• 在存在系统误差和采样噪声等现实误差条件下，实现对量子门的可靠诊断和性能评估。
• 提供一种实用、可实现的单量子比特和多量子比特门集 tomography 框架，包括数据处理、优化和误差估计的指导。

提出的方法

• 使用超算符和泡利转移矩阵（PTM）表示形式化量子操作，并通过半定规划施加物理性约束。
• 通过格姆矩阵和 A/B 矩阵实现线性反演 GST，从实验数据求解门集参数，随后进行规范优化以解决参数化中的冗余性。
• 应用最大似然估计（MLE）以强制实现物理性并提高精度，通过在过程矩阵或 PTM 上求解非线性优化问题。
• 使用一阶锥求解器高效计算 MLE，相比标准半定规划显著缩短运行时间。
• 在门集中引入门重复，以检测非马尔可夫噪声并减少采样误差，增强对统计波动的鲁棒性。
• 提出对合成数据集进行蒙特卡洛模拟，以研究误差传播、偏差以及自 resampling 方法在不确定性估计中的有效性。

实验结果

研究问题

• RQ1 当态制备和测量（SPAM）误差显著且与门误差相关时，如何实现高保真度的量子门集表征？
• RQ2 为何标准量子过程 tomography（QPT）在本征 SPAM 误差较大时无法可靠估计门保真度，以及如何克服这一问题？
• RQ3 在现实条件下，特别是接近容错阈值时，门集 tomography（GST）在诊断门误差和估计保真度方面相较于 QPT 的优势有多大？
• RQ4 当真实门集接近理想状态（即处于物理性边界的附近）时，GST 中的最大似然估计是否可信，这又如何影响统计误差估计？
• RQ5 考虑到物理性约束带来的偏差，自 resampling 方法在 GST 估计中是否仍为有效的不确定性估计方法？

主要发现

• 在存在 SPAM 误差，尤其是本征 SPAM 误差的情况下，GST 显著优于 QPT，即使门误差减小，QPT 的准确性仍会下降。
• 当门误差率接近表面码阈值（约 10⁻³）时，GST 可将门保真度的不确定性估计控制在 10⁻⁴ 以下，满足容错量子计算的严格要求。
• 由于物理性约束，GST 中的最大似然估计存在偏差，尤其在门接近理想状态时，这使得标准渐近正态性假设在误差估计中失效。
• 由于该偏差，自 resampling 方法在 GST 中不可靠，因此需要采用替代方法，如对合成数据集进行蒙特卡洛模拟，以评估不确定性和偏差。
• 在 GST 协议中引入门重复可增强对采样噪声的鲁棒性，并实现对非马尔可夫动力学的检测。
• 一阶锥求解器显著加速了 GST 中的 MLE 计算，使其相比标准半定规划更适用于大规模实现。