Perpustakaan Digital ITB

Pembelajaran mesin (machine learning) menyediakan solusi yang skalabel untuk mitigasi kesalahan kuantum (quantum error mitigation). Namun, pemilihan Pauli string yang tepat untuk digunakan sebagai data pelatihan masih menjadi tantangan. Metode yang ada saat ini umumnya mengandalkan penyampelan heuristik atau acak seragam (uniform random sampling), sehingga memerlukan data untuk setiap Pauli string dalam Hamiltonian sistem yang diukur. Proses ini memiliki kompleksitas yang meningkat secara linear terhadap jumlah pengukuran dan semakin besar seiring bertambahnya ukuran sistem. Untuk mengatasi keterbatasan tersebut, kami memperkenalkan Pauli weight-informed Quantum Error Mitigation (Pi-QEM), yaitu suatu kerangka kerja sistematis yang memilih observabel pelatihan berdasarkan bobot Pauli (Pauli weight). Dengan memanfaatkan hubungan antara varians dan lokalitas dalam sirkuit kuantum berparameter, Pi-QEM hanya menggunakan sebagian kecil Pauli string dominan berbobot rendah sebagai data pelatihan. Melalui simulasi numerik pada sistem molekuler yang dijalankan pada backend kuantum IBM yang bernoise (noisy), Pi-QEM mampu mengurangi galat estimasi energi keadaan dasar (ground-state energy) hingga 34,01% hanya dengan menggunakan satu observabel lokal yang dominan. Hasil ini menunjukkan bahwa Pi-QEM menawarkan pendekatan mitigasi kesalahan kuantum yang efisien, skalabel, dan berpresisi tinggi untuk perangkat Noisy Intermediate-Scale Quantum (NISQ).