전파 노이즈 흡수(PNA)

이 패키지는 관측량의 기댓값에 있는 오류를 완화하기 위한 전파 노이즈 흡수(PNA)를 구현합니다 [1].

PNA는 Pauli 전파를 사용해 학습된 노이즈 채널의 역변환을 목표 관측량에 "흡수"시키는 방식으로 동작합니다. 즉, 노이즈 모델의 각 Pauli 노이즈 생성자를 회로의 끝까지 고전적으로 전파하여 관측량에 적용합니다. 그 결과 QPU에서 측정했을 때 학습된 게이트 노이즈를 완화하는 새 관측량이 만들어집니다.

이 패키지는 일반적인 양자 회로와 Pauli 관측량의 기댓값을 추정하는 데 적합하지만, 이 기법은 일반적으로 Clifford에 가까운 회로에서 가장 효과적입니다.

시작하기

이 패키지를 빠르게 시작하는 데 도움이 되는 간단한 가이드는 빠른 시작 가이드에서 볼 수 있습니다.

활용 사례 예시

이 기법은 56큐비트 Trotter화된 Ising 모델의 노이즈를 완화하는 데 사용되었습니다 [1].

기술 설명

방법 개요

최신 QPU에서 얽힘 게이트를 실행하면 상당한 양의 노이즈가 발생합니다. 완전한 내결함성 장치가 나올 때까지는 이상적인 얽힘 게이트 $U$를 사용할 수 없으며, 대신 어떤 노이즈 채널 $\Lambda$의 영향을 받게 됩니다.

이 게이트 노이즈를 Pauli-Lindblad 모델로 학습하고 효율적으로 특성화하는 것이 가능하며, 확률적 오류 상쇄(PEC)에서 보듯이 QPU 샘플링 프로토콜로 반노이즈 $\Lambda^{-1}$를 구현하여 오류를 완화할 수 있습니다 [2]. 텐서 네트워크 오류 완화(TEM) 같은 다른 기법은 역노이즈 채널을 고전적 후처리 단계로 구현합니다 [3].

TEM과 마찬가지로 PNA도 역노이즈 채널을 고전적 처리 단계에서 구현합니다. TEM은 텐서 네트워크를 사용해 정보적으로 완전한 측정 집합에 노이즈 완화 맵을 기술하고 적용하는 반면, PNA는 Pauli 전파를 사용해 관측량 $O$를 역노이즈 채널을 통해 전파합니다. 그 결과 노이즈가 있는 상태에 대해 측정하면 학습된 노이즈를 완화하는 새 관측량 $\tilde{O}$가 만들어집니다.

편향의 원인

• 이 구현은 각 반노이즈 채널 $\Lambda^{-1}_i$ 안의 각 Pauli 오류 생성자를 회로의 끝까지 전파합니다. 각 반노이즈 생성자가 $M$큐비트 회로의 $N$개 Pauli 회전 게이트의 작용 아래에서 순방향으로 전파되면, 항의 수는 $O(2^N)$으로 증가하여 고유한 Pauli 성분 최대 $4^M$개에 이릅니다. 계산 비용을 제어하려면 계수가 작은 항을 잘라 내야 하며, 이로 인해 발전된 반노이즈 채널에 어느 정도 오류가 생깁니다.

• 발전된 반노이즈 채널 $\Lambda^{-1}$의 절단 외에도, $\tilde{O}$ 역시 $\Lambda^{-1}$을 통해 전파되는 동안 절단됩니다. 이 또한 최종 완화된 기댓값에서 편향의 원인이 됩니다.

• 전파 중에 $\tilde{O}$가 더 커지도록 허용하면 정확도는 높아지지만, 이를 측정하려면 QPU에서 훨씬 더 많은 샷이 필요합니다. 일반적으로 이는 $O$에 있던 원래 Pauli 항의 계수를 증가시키고, 더 작은 계수를 가진 새로운 Pauli 항을 많이 만들어 냅니다. 원래 계수의 재조정과 새 항의 생성은 모두 샘플링 오버헤드를 증가시킬 수 있습니다. 실제로는 $\tilde{O}$에서 가장 큰 항만 측정하는 방식으로 한 번 더 절단합니다.

기여하기

소스 코드는 GitHub에서 볼 수 있습니다.

개발자 가이드는 이 프로젝트 저장소의 루트에 있는 CONTRIBUTING.md에 있습니다. 참여하시는 분은 Qiskit의 행동 강령을 지켜야 합니다.

요청과 버그를 추적하는 데 GitHub 이슈를 사용합니다.

이 패키지 인용하기

연구에서 이 패키지를 사용한다면, 이 프로젝트 저장소의 CITATION.bib 파일을 사용해 적절한 참고 문헌을 인용하세요.

라이선스

Apache License 2.0

지원 중단 정책

저희는 시맨틱 버전 관리를 따릅니다. 사용자 경험을 개선하기 위해 가끔 호환되지 않는 변경을 할 수 있습니다. 가능한 경우 새 인터페이스와 공존할 수 있는 한 기존 인터페이스를 유지하고 지원 중단(deprecated)으로 표시합니다. 모든 주요 개선, 호환되지 않는 변경, 지원 중단은 릴리스 노트에 기록됩니다.

참고 문헌

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].