Lifting: framework per la discriminazione degli stati quantistici nelle misurazioni a metà circuito

Abstract degli autori

La computazione quantistica promette nuove capacità oltre la computazione classica. Le misurazioni a metà circuito (MCM) consentono la correzione degli errori e il controllo dipendente dall’esito, ma la loro affidabilità è limitata dal rumore nell’hardware superconduttivo. Queste operazioni dipendono da un’accurata discriminazione degli stati quantistici (QSD), che associa i segnali misurati alle etichette degli stati. La QSD basata su reti neurali (NN-based) migliora questa associazione, ma il suo errore non può scendere al di sotto del rischio di Bayes delle distribuzioni di lettura disponibili. Un’ulteriore sfida è il deterioramento dello stato man mano che si accumulano le misurazioni successive e avanza l’esecuzione del circuito, rendendo la calibrazione statica meno rappresentativa del carico di lavoro. Presentiamo Lifting, un framework QSD che affronta entrambe le sfide tramite codifica per ripetizione, decodifica neurale e calibrazione in situ. La codifica fornisce segnali di lettura congiunti in fase e in quadratura (I-Q) dai qubit bersaglio e ausiliari, mentre la calibrazione contestuale addestra il decodificatore alle condizioni incontrate durante l’esecuzione. La nostra analisi teorica mostra che mantenere canali aggiuntivi da una distribuzione congiunta fissa non può aumentare il rischio di Bayes e stabilisce condizioni sufficienti per la contrazione di un limite superiore basato sulla sovrapposizione. Esperimenti condotti su tre processori IBM valutano il framework in carichi di lavoro che prevedono misurazioni ripetute degli stabilizzatori, controlli di parità e teleportazione.