Shaded lightcones (SLC)

qiskit-addon-slc es un paquete para calcular el cono de luz sombreado (SLC) [1] de un observable con respecto a un circuito cuántico. En el contexto de la cancelación probabilística de errores (PEC), los conos de luz sombreados son similares a los conos de luz binarios convencionales en que no mitigar los errores fuera del cono de luz puede reducir la varianza (es decir, el coste de muestreo). El sombreado del cono de luz permite llevar esta estrategia más lejos al asignar escalas a los generadores de error de Pauli dentro del cono de luz causal. Los errores a los que se asignan escalas menores tienen menos efecto sobre el observable; truncarlos del modelo de ruido puede reducir la varianza (es decir, el coste de muestreo) a costa de cierto sesgo. El paquete qiskit-addon-slc ofrece a los usuarios la capacidad de realizar el sombreado del cono de luz y controlar la compensación entre coste de muestreo y sesgo.
Primeros pasos
Una guía sencilla para ayudarte a empezar rápidamente con este paquete está disponible en la guía de inicio rápido.
Ejemplos de casos de uso
Esta técnica se ha usado para reducir el coste de muestreo de la cancelación probabilística de errores (PEC) en experimentos de eco de Loschmidt de operadores con 56 qubits en un procesador IBM Heron. [2].
Discusión técnica
Resumen del método
Los conos de luz sombreados se calculan y se usan en 5 pasos:
-
Calcular una cota del efecto de cada término de error de Pauli sobre el observable al final del circuito (cota hacia delante)
-
Calcular una cota del efecto de cada término de error de Pauli sobre el estado inicial al comienzo del circuito (cota hacia atrás)

- Aproximar una contribución al sesgo para cada término de error de Pauli usando las cotas hacia delante y hacia atrás y la tasa de error del término

- Priorizar los términos de error según su tasa de error y sus cotas. Truncar del modelo de ruido los términos que tienen el menor efecto sobre el valor esperado del observable hasta alcanzar la tolerancia de sesgo especificada por el usuario. Alternativamente, se pueden añadir los términos de error más impactantes a un modelo de ruido hasta llenar el presupuesto de coste de muestreo especificado por el usuario.
- Mitigar el modelo de ruido truncado. Con el modelo de ejecución dirigida de Qiskit Runtime, especificar los términos de error que se ignoran durante el muestreo de PEC es sencillo. Consulta el tutorial para más detalles.

Características del software
-
Cálculo de cotas asíncrono y en paralelo
-
Permite el cálculo de cotas por adelantado (es decir, antes del aprendizaje de ruido propiamente dicho)
Problemas conocidos
-
Windows no es compatible
-
InjectNoise(site=”before”) no es compatible
-
No admite la fusión de cotas de grano fino
Trabajo futuro
- Cálculo de valores propios acelerado con Rust para calcular las cotas hacia delante
Contribuir
El código fuente está disponible en GitHub.
La guía para desarrolladores se encuentra en CONTRIBUTING.md en la raíz del repositorio de este proyecto. Al participar, se espera que respetes el código de conducta de Qiskit.
Usamos GitHub issues para el seguimiento de solicitudes y errores.
Cómo citar este paquete
Si usas este paquete en tu investigación, usa el archivo CITATION.bib del repositorio de este proyecto para citar las referencias apropiadas.
Licencia
Política de obsolescencia
Seguimos el versionado semántico. Ocasionalmente podemos hacer cambios incompatibles para mejorar la experiencia del usuario. Cuando sea posible, mantendremos las interfaces antiguas y las marcaremos como obsoletas, mientras puedan coexistir con las nuevas. Cada mejora sustancial, cambio incompatible u obsolescencia quedará documentado en las notas de la versión.
Contribuir
El código fuente está disponible en GitHub.
La guía para desarrolladores se encuentra en CONTRIBUTING.md. Al participar, se espera que respetes el código de conducta de Qiskit.
Usamos GitHub issues para el seguimiento de solicitudes y errores.
Referencias
-
Andrew Eddins, et al., Lightcone shading for classically accelerated quantum error mitigation, arXiv:2409.04401v1 [quant-ph].
-
Samantha V. Barron, et al., Observable Estimation in the Absence of Classical Verification, arXiv:2607.25998 [quant-ph].
