Machine learning for quantum error mitigation on NISQ devices

Il Quantum Error Mitigation (QEM) è un insieme di tecniche utilizzate per ridurre l'impatto del rumore nel calcolo quantistico senza la necessità di implementare specifici protocolli per una completa rimozione degli errori, come avviene invece nel caso del Quantum Error Correction (QEC). Questo approccio mira a migliorare le prestazioni degli algoritmi mitigando gli effetti indesiderati del rumore che caratterizzano i computer quantistici odierni, appartenenti alla cosidetta classe Noisy Intermediate-Scale Quantum (NISQ). Nel contesto del calcolo quantistico \textit{gate-based}, questa tesi introduce un innovativo approccio al QEM basato su tecniche di Machine Learning (ML). In particolare, viene proposta una semplice rete neurale classica (architettura dell'autoencoder) in grado di imparare uno specifico modello di rumore dai dati forniti. Dopo una prima fase, che prevede la preparazione di un dataset eseguendo la simulazione di diversi circuiti quantistici, la rete neurale viene allenata per l'identificazione e mitigazione degli effetti del rumore quantistico sull'istogramma misurato. L'efficacia del modello è poi validata calcolando una metrica per confrontare ogni coppia di istogrammi \textit{rumoroso} e \textit{mitigato} con la corrispondente distribuzione di probabilità ideale. I promettenti risultati ottenuti aprono nuove prospettive per applicazioni del QEM in contesti sperimentali anche più avanzati, contribuendo alla crescita e alla maturazione della computazione quantistica.