消歧量子计算机中的 Pauli 噪声

为了成功执行量子计算，通常需要首先准确表征底层硬件中的噪声。然而，众所周知，基本限制阻碍了噪声的唯一识别。这引发了一个问题，即这些限制是否会影响预测噪声动力学和缓解错误的能力。在这里，我们从理论和实验两方面表明，当可学习参数被自洽地表征时，不可学习（规范）自由度不会影响对噪声动力学或错误缓解的预测。我们使用最近引入的门集 Pauli 噪声学习框架，高效且自洽地表征并缓解了完整门集（包括状态制备、测量、单量子比特门和多量子比特纠缠 Clifford 门）的噪声。我们通过多达 92 个量子比特的实验验证了我们的方法，并表明虽然规范选择不影响错误缓解的可观测值，但对其进行优化可减少采样开销。我们的发现解决了涉及量子噪声表征和缓解中模糊性的一个突出问题。