Hata azaltma — NISQ sonuçlarını iyileştirmek için yöntem ailesi ve iş akışı

Bu dosya şemsiye bir giriştir: NISQ döneminde gürültülü donanımdan veya gürültülü simülasyondan alınan sonuçların istemli olarak düzeltilmesi için kullanılan teknik aileleri sınıflandırır ve her birinin ayrıntılı anlatımını ilgili alt sayfaya bırakır. Burada yöntemlerin ortak dili, maliyet zihniyeti ve doğrulama disiplini öne çıkar; belirli bir algoritmanın uygulaması sıfır gürültü ekstrapolasyonu, ölçüm azaltma veya okuma hatası dosyalarında derinleşir.

Gürültü modeli ile fark

Gürültü modeli ve Aer ile yapılan iş, hatayı ileri modellemektir; azaltma ise ölçülen veya bilinen hatayı geri telafi etmeye çalışır. İkisi bir arada kullanılır: önce gerçekçi model, sonra azaltma katmanı — sırayı ters çevirmek yorumu bozar.

Simülasyon ve donanım

Aynı kavramlar hem gürültü simülasyonu üzerinde prototiplenebilir hem de gerçek kuyrukta test edilir; fakat shot maliyeti, drift ve kuyruk dinamiği iş sistemi ve oturum mantığı başlıklarında farklıdır.

Kuantum hesaplamada ilgilendiğimiz nicelik çoğunlukla bir gözlemlenebilir beklen değeridir: Pauli ağırlıkları, enerji, dolanıklık ölçütü veya maliyet fonksiyonu. Gürültü beklenen değeri sistematik olarak kaydırırsa buna ön yargı (bias) dersiniz; shot sayısı arttıkça azalan dalgalanma ise varyans kaynaklı hatadır. Azaltma teknikleri çoğunlukla önyargıyı hedefler; varyansı düşürmek için ise shot veya farklı örnekleme stratejileri gerekir.

Tekil ölçüm değil dağılım

Çoğu azaltma yöntemi histogram veya beklenen değer üzerinde çalışır; tek bir shot “düzeltme” iddiası taşımaz. Bu nedenle sonuçları raporlarken hem ön işlemi hem de kalan belirsizliği birlikte düşünün.

Pauli gözlemlenebilirleri

Pauli tabanında okuma Pauli (kuantum bilgi) ile ilişkilidir; azaltma ise çoğunlukla aynı gözlemlenebilir için birden çok deney koşusunu birleştirir.

Aşağıdaki liste öğretim sırasına göre kabaca gruplar; üretimde teknikler birleştirilebilir.

Okuma ve ölçüm

Klasik atama matrisi modeli okuma hatası sayfasında; matris kestirimi ve ters çevirme fikri ölçüm azaltma dosyasında genişletilir. Ölçüm öncesi kuantum hatalarından ayrım bu iki dosyanın girişlerinde vurgulanır.

Sıfır gürültü ve ölçek

Gürültü gücünü bilinçli artırıp dışarı extrapolasyon sıfır gürültü ekstrapolasyonu başlığında işlenir; burada yalnızca “ölçek faktörü” ve “ekstrapolasyon eğrisi” kavramları anılır.

Derleme ve ortalama

Rastgele eşdeğer devre aileleri ile hata kanalını yumuşatma rastgele derleme dosyasında toplanır; bu, derleyici ve transpile hattına sıkı bağlıdır.

Kapı ve süre tabanlı gürültü

Modelleme tarafı depolarize, Pauli ve termal gevşeme ile kurulur; azaltma bu modellerin üstüne inşa edilir veya modeli kalibre etmek için kullanılır.

Çoğu azaltma şeması ek devreler, ek shot veya her ikisini birden ister. Örneğin okuma kalibrasyonu için hazırlık setleri, ZNE için birden çok gürültü ölçeği, rastgele derleme için istatistiksel tekrar gerekir. Bu maliyet, “azaltma kazandırdı mı?” sorusundan bağımsız olarak duvar saati ve hesap bütçesi açısından değerlendirilmelidir.

Kalibrasyon çürümesi

Cihaz özellikleri zamanla kayar; dün ölçülen atama matrisi bugün geçersiz olabilir. Uzun işlerde periyodik yeniden kalibrasyon veya konservatif hata payı planlanmalıdır. Backend özellikleri okumasını bu bağlamda düşünün.

Shot bütçesi

Shot mantığı başlığı ile birlikte, azaltma sonrası kalan standart hata genelde shot sayısının karekökü ile azalır; önyargıyı sıfırlamak varyansı otomatik düşürmez.

Kuantum hata düzeltme (QEC) ek kübit ve senkronize ölçümle fiziksel hata baskılamayı hedefler; çoğu NISQ azaltma tekniği ise ek kodlama olmadan istatistiksel veya derleme tabanlı telafi sunar. İkisi birbirinin yerine geçmez: QEC donanım eşiği ve yüzey kodları bu serinin QEC dosyasında ele alınır; burada yalnızca kavramsal ayrım kurulur.

Mantıksal kübit

Kodlanmış bilgi ile fiziksel kübit ayrımı mantıksal ve fiziksel kübit başlığında genişletilir; azaltma çoğunlukla fiziksel kübit düzeyinde çalışır.

Yanıltıcı iyileşme

Aşırı agresif ekstrapolasyon veya yanlış kalibre matris, eğrileri yapay olarak düzleştirerek sahte hassasiyet verebilir; çapraz doğrulama şarttır.

Azaltma sonrası sonucu raporlarken, mümkünse bağımsız bir altın standart ile karşılaştırın: düşük boyutlu tam diagonalizasyon, gürültüsüz simülatör veya bilinen analitik çözüm. Sadakat ve ilgili ölçütler, iki dağılım veya iki beklenen değer arasındaki uyumu özetler.

Karşılaştırmalı deney

Aynı devreyi azaltma açık/kapalı koşarak farkı göstermek, hem eğitim hem hata ayıklama için en net görselleştirmedir; üretimde ise maliyet nedeniyle seyrek uygulanır.

Belirsizlik raporu

Ekstrapolasyon veya ters matris sonrası kalan belirsizliği (örneğin bootstrap ile) raporlamak, bilimsel tekrarlanabilirlik için önerilir; bu sayfa yöntem seçimini işler, istatistik ayrıntısını ileri okumaya bırakır.

İlk kutu saf NumPy ile doğrusal ekstrapolasyon sezgisi verir; ikinci kutu Qiskit Aer ile gürültü ölçeği süpürüsünden beklenen değer toplar; üçüncü kutu okuma düzeltmesine küçük bir giriş sunar.

import numpy as np

# Örnek: gürültü ölçeği s ile ölçülen Pauli-Z bekleneni (s=0 ideal 1.0'a yakın olsun diye sentetik)
s = np.array([1.0, 2.0, 3.0])
y = np.array([0.92, 0.86, 0.80])  # gürültü arttıkça düşüş

a, b = np.polyfit(s, y, 1)
zne0 = b  # s=0 doğrusu
print("Eğim:", a, "s=0 tahmini:", zne0)

import numpy as np
from qiskit import QuantumCircuit
from qiskit.compiler import transpile
from qiskit_aer import AerSimulator
from qiskit_aer.noise import NoiseModel, depolarizing_error

def z_expect(p, shots=6000):
    nm = NoiseModel()
    nm.add_all_qubit_quantum_error(depolarizing_error(p, 1), ["h"])
    qc = QuantumCircuit(1)
    qc.h(0)
    qc.measure_all()
    sim = AerSimulator(noise_model=nm)
    tqc = transpile(qc, sim)
    c = sim.run(tqc, shots=shots).result().get_counts()
    return (c.get("0", 0) - c.get("1", 0)) / shots

scales = np.array([0.02, 0.05, 0.09])
vals = np.array([z_expect(p) for p in scales])
a, b = np.polyfit(scales, vals, 1)
print("ölçekler:", scales)
print("Z beklentileri:", vals)
print("s=0 doğrusu:", b)

import numpy as np

# Satırlar gerçek durum 0 ve 1; sütunlar kayıtlı 0,1 — ayrıntı readout-error sayfasında
A = np.array([[0.94, 0.06], [0.07, 0.93]])
p_raw = np.array([0.62, 0.38])  # örnek ölçülen olasılık vektörü (normalize)
p_corr = np.linalg.inv(A) @ p_raw
print("düzeltilmiş:", p_corr)
print("toplam:", p_corr.sum())

Hata azaltma bir teknikten çok iş akışıdır: modelle, ölç, düzelt, doğrula. Her adım ilgili alt dosyada derinleşir; bu sayfa yol haritasını sabitler.

• Sıfır gürültü ekstrapolasyonu — ölçek ve dışarı değer.
• Ölçüm azaltma — ölçüm hatası telafisi.
• Rastgele derleme — eşdeğerlik ortalaması.
• Kuantum hata düzeltme — kodlama tabanlı baskılama.