Foutmitigatie kan gemeten observabelen sterk verbeteren. Maar 'mitigatie aan' is geen enkele, universele schakelaar. Verschillende methoden richten zich op verschillende fouten en gebruiken verschillende extra informatie. In dit project hebben we meerdere routes onderzocht; ze mogen niet als één grote combinatie op de laatste hardwaretabel worden geplakt.
Readout: de meting kalibreren
Een qubit die als nul wordt voorbereid, kan soms als één worden gelezen, en andersom. Met bekende voorbereidende toestanden schatten we een verwarringsmatrix. Readout-mitigatie corrigeert vervolgens de gemeten verdeling of de relevante momenten volgens dat kalibratiemodel.
Dat helpt bij meetfouten. Het kan niet zonder meer informatie herstellen die eerder tijdens duizenden poorten verloren ging. Een te eenvoudig readoutmodel kan bovendien gecorreleerde fouten missen.
ZNE en PEC: ruis vergroten of statistisch compenseren
Zero-noise extrapolation, ZNE, vergelijkt uitvoeringen met verschillende ruisniveaus en extrapoleert naar nul ruis. Bij CZ-folding vervangen we een CZ bijvoorbeeld door drie CZ-poorten. Omdat CZ kwadraat de identiteit is, blijft de ideale bewerking gelijk. De extra fysieke poorten vergroten wel de blootstelling aan ruis, mits een optimizer ze niet weer verwijdert.
Probabilistic error cancellation, PEC, combineert ruizige bewerkingen met getekende quasi-kansgewichten. De kwaliteit hangt af van het ruismodel; de benodigde aantallen samples kunnen sterk toenemen. Beide methoden vragen dus meer dan alleen het kiezen van een naam in een instellingenmenu. Zie Temme, Bravyi en Gambetta.
TFLO: leren van een oplosbare buuropgave
Training with Fermionic Linear Optics gebruikt circuits die klassiek efficiënt oplosbaar zijn. In onze toepassing nemen we U=0-trainingscircuits en leren we het verband tussen hun exacte en ruizige Pauli-momenten. Die correctie wordt daarna op de U=8-target toegepast. De aanpak is geïnspireerd door Montanaro en Stanisic.
De laatste gepaarde proef gebruikte per arm zes trainingsmomenten: 0,04; 0,08; 0,12; 0,24; 0,32; 0,48. Twee andere U=0-momenten, 0,2 en 0,4, dienden als holdouts. De U=8-target bij 0,4 leverde geen juiste referentiewaarde aan de fit. De affine correctie werd apart per Pauli en per circuitarm geleerd, met een kleine regularisatie naar de identiteit.
Dat is een controleerbare opzet, maar de holdouts slaagden niet voor onze gekozen nauwkeurigheidseisen. Ook een controle zonder targethardware-input kwam voor sommige grootheden dichter bij de chi64-referentie. Dan kan een mooi TFLO-resultaat niet uitsluitend aan de gemeten U=8-dynamica worden toegeschreven. De training draagt zelf veel informatie.
Het label op de laatste run
De nieuwste original/compact-vergelijking gebruikte readoutcorrectie en TFLO. ZNE, PEC, postselectie en DD waren daar niet ingeschakeld. Een afzonderlijke eerdere DD-proef staat met een ander job-ID in het archief.
Onze gemitigeerde schattingen zijn veel interessanter dan de bijna vlakke ruwe spinprofielen, maar blijven niet-gevalideerde schattingen. Negatieve gereconstrueerde lokale kansen en mislukte holdouts worden daarom zichtbaar gerapporteerd. Dat maakt verbetering gericht mogelijk.
Bronnen: HARDWARE_COMPACT_TFLO_PROTOCOL.md, TFLO_DD_6X6_PROTOCOL.md en de bijbehorende ruwe data, fits, holdouts en ablaties in de projectrepo.