مقاله اندازه‌گیری‌های تصادفی با کاهش نویز و تخمین سایه خود کالیبره‌شونده

چکیده

Randomized measurements are increasingly appreciated as powerful tools to estimate properties of quantum systems, e.g., in the characterization of hybrid classical-quantum computation. On many platforms they constitute natively accessible measurements, serving as the building block of prominent schemes like shadow estimation. In the real world, however, the implementation of the random gates at the core of these schemes is susceptible to various sources of noise and imperfections, strongly limiting the applicability of protocols. To attenuate the impact of this shortcoming, in this work we introduce an error-mitigated method of randomized measurements, giving rise to a robust shadow estimation procedure. On the practical side, we show that error mitigation and shadow estimation can be carried out using the same session of quantum experiments, hence ensuring that we can address and mitigate the noise affecting the randomization measurements. Mathematically, we develop a picture derived from Fourier-transforms to connect randomized benchmarking and shadow estimation. We prove rigorous performance guarantees and show the functioning using comprehensive numerics. More conceptually, we demonstrate that, if properly used, easily accessible data from randomized benchmarking schemes already provide such valuable diagnostic information to inform about the noise dynamics and to assist in quantum learning procedures.

چکیده به فارسی (ترجمه ماشینی)

اندازه گیری های تصادفی به طور فزاینده ای به عنوان ابزاری قدرتمند برای برآورد خواص سیستم های کوانتومی ، به عنوان مثال ، در توصیف محاسبات کلاسیک-کوانهای ترکیبی ، مورد استقبال قرار می گیرند.در بسیاری از سیستم عامل ها ، آنها اندازه گیری های بومی را در دسترس قرار می دهند و به عنوان بلوک ساختمان طرح های برجسته مانند تخمین سایه خدمت می کنند.با این حال ، در دنیای واقعی ، اجرای دروازه های تصادفی در هسته این طرح ها مستعد منابع مختلف نویز و نواقص است و به شدت کاربرد پروتکل ها را محدود می کند.برای کاهش تأثیر این کاستی ، در این کار ما یک روش خطای را از اندازه گیری های تصادفی معرفی می کنیم و باعث ایجاد یک روش تخمین سایه قوی می شود.از طرف عملی ، ما نشان می دهیم که کاهش خطا و برآورد سایه می تواند با استفاده از همان جلسه آزمایش های کوانتومی انجام شود ، از این رو اطمینان حاصل می کنیم که می توانیم سر و صدای مؤثر در اندازه گیری های تصادفی را برطرف و کاهش دهیم.از نظر ریاضی ، ما تصویری حاصل از فوریه های فوریه را برای اتصال معیار تصادفی و برآورد سایه ایجاد می کنیم.ما ضمانت های عملکرد دقیق را اثبات می کنیم و عملکرد را با استفاده از شماره های جامع نشان می دهیم.از نظر مفهومی ، ما نشان می دهیم که ، در صورت استفاده صحیح ، داده های به راحتی در دسترس از طرح های معیار تصادفی در حال حاضر چنین اطلاعات تشخیصی ارزشمندی را برای اطلاع رسانی در مورد پویایی نویز و کمک به روشهای یادگیری کوانتومی ارائه می دهند.