Workflow-uri moderne

Acest curs a acoperit o mare varietate de metode pentru gestionarea zgomotului și a erorilor cuantice. Am evitat intenționat unele soluții de tip cutie neagră, pentru a putea vedea cum funcționează aceste metode. Acum suntem pregătiți să folosim aceste metode în forma lor cea mai modernă. Mai exact, explorăm câteva instrumente de gestionare a erorilor foarte optimizate, care ne ascund o parte din complexitate. Explorăm de asemenea Samplomatic și addon-uri precum shaded lightcones (SLC), care ne oferă un control foarte fin asupra anumitor procese de atenuare.

În acest videoclip, Dr. Chris Porter oferă o prezentare generală a acestor instrumente moderne. Plănuim să adăugăm exemple de workflow-uri în această lecție la o dată ulterioară. Totuși, această lecție conține deja toate informațiile de care ai nevoie pentru a folosi aceste instrumente și pentru a promova examenul pentru insignă.

Prezentare generală

Primitivele IBM Quantum timpurii, precum Estimator și Sampler, expuneau atenuarea erorilor printr-un număr mic de niveluri presetate. Versiunile ulterioare au oferit un control mai direct asupra tehnicilor individuale, inclusiv alegeri ale strategiei de extrapolare la zero zgomot, configurații de Pauli twirling și parametri de randomizare. Totuși, aceste setări au rămas în mare parte globale și s-au aplicat uniform pe întregul circuit.

Pe măsură ce sarcinile cuantice devin mai sofisticate, dezvoltatorii au din ce în ce mai mult nevoie de posibilitatea de a adapta strategiile de execuție și de atenuare la regiuni specifice ale unui circuit. Diagrama următoare prezintă câteva instrumente cheie pe care le discută această lecție și arată unde se încadrează într-un workflow tipic.

Modelul de execuție dirijată răspunde nevoii de control modular asupra execuției și integrează multe dintre aceste instrumente.

Modelul de execuție dirijată

În loc să ia decizii implicite de execuție, modelul de execuție dirijată urmează directive furnizate de utilizator. Această abordare îmbunătățește transparența și face workflow-urile complexe mai ușor de inspectat și de depanat. Câteva caracteristici cheie ale acestui model includ:

• Configurare per strat prin regiuni etichetate ale circuitului

• Identificarea straturilor unice și repetate pentru o învățare eficientă a zgomotului

• Workflow-uri de execuție în loturi

• Post-procesare structurată

• Integrare strânsă cu addon-uri precum shaded lightcones

Modelul este construit în jurul a două componente cheie:

• Samplomatic, care definește rețetele de execuție

• Executor, care execută aceste rețete și returnează eșantioane

Majoritatea workflow-urilor care folosesc Executor pot fi implementate și cu Sampler, deoarece ambele produc în final eșantioane. Avantajul cheie al Executor este eficiența. Sarcini precum generarea configurațiilor de twirling sunt adesea mult mai rapide în mediul near-time de pe partea serverului decât pe client. Estimator și Sampler rămân suportate și pot fi în continuare alegerea cea mai convenabilă pentru multe sarcini.

Înainte de execuție, însă, trebuie să construiești și să pregătești un circuit. Qiskit oferă mai multe addon-uri care ajută la generarea, simularea și optimizarea circuitelor. Pentru mai multe informații despre oricare dintre instrumentele următoare, urmează linkurile.

Construirea circuitelor cuantice

Pentru unele aplicații sau abordări noi, utilizatorii trebuie să stabilească cum să-și transpună problema într-un circuit cuantic. În multe domenii, însă, addon-urile Qiskit pot automatiza părți importante ale acestui proces.

Optimization mapper

Optimization mapper ajută la exprimarea problemelor de optimizare clasică în forme adecvate pentru algoritmii cuantici. Funcționalitățile cheie includ:

• Construirea funcțiilor obiectiv și a restricțiilor

• Conversia problemelor în formulări QUBO

• Generarea de reprezentări hamiltoniene sau de operatori

Fermionic mapper

Mapper fermionic convertește operatorii fermionici în operatori de qubiți adecvați pentru hardware-ul cuantic. Suportă mapări precum Jordan-Wigner, care convertește operatorii pentru fermioni indiscernabili în operatori Pauli pentru qubiți discernabili, păstrând statistica fermionică. Acest addon este util pentru aplicații de chimie cuantică și știința materialelor.

Cele două addon-uri anterioare se concentrează pe mapările inițiale ale structurii unei probleme într-un circuit cuantic. Este la fel de important, însă, să mapăm eficient evoluția în timp a unui proces pe un circuit cuantic și să optimizăm un circuit reducându-i adâncimea. Următoarele câteva addon-uri abordează aceste sarcini.

Formule multi-produs (MPF)

Formulele multi-produs îmbunătățesc acuratețea simulărilor cuantice de evoluție în timp prin combinarea mai multor aproximări. Mai exact, creezi circuite cu numere diferite de pași Trotter, astfel încât să poți folosi o combinație ponderată a rezultatelor circuitelor. Pentru o acuratețe țintă dată, MPF poate folosi adesea circuite mai puțin adânci decât metodele Trotter standard. Costul este că trebuie să rulezi mai multe circuite și să le combini rezultatele clasic.

AQC-Tensor

AQC-Tensor realizează compilare cuantică aproximativă folosind metode de rețele tensoriale. Un caz de utilizare comun este înlocuirea unei porțiuni dintr-un circuit adânc cu o aproximare variațională mai puțin adâncă. Circuitul rezultat poate atinge o acuratețe similară cu o adâncime semnificativ mai mică.

Transpilare

Ai folosit deja transpilarea de multe ori în acest curs. Știi că, după ce un circuit abstract este construit, el trebuie pregătit pentru execuția pe hardware. Totuși, nu am explorat încă în detaliu etapele multiple ale transpilării.

Etapele cheie ale transpilării includ:

• Layout: mapează qubiții logici pe qubiți fizici

• Translation: rescrie operațiile folosind setul de porți nativ al backend-ului

• Routing: inserează și optimizează operațiile SWAP necesare conectivității hardware

Aceste procese sunt interdependente. De exemplu, layout-ul ar trebui să minimizeze adâncimea chiar și după ce se ține seama de routing. Layout-ul ar trebui să evite și qubiții și conexiunile cele mai predispuse la erori. Aceste etape sunt adesea automatizate, dar utilizatorii avansați pot alege să specifice layout-uri personalizate sau alte restricții atunci când este nevoie.

Pentru a afla mai multe despre transpilare, consultă ghidul Introducere în transpilare.

Verifică-ți înțelegerea

Privește circuitul cuantic următor și presupune că trebuie să-l rulezi pe un calculator cuantic cu layout heavy-hex, din care este arătată o parte. (a) Propune o mapare de la numerele qubiților din circuitul abstract la numerele qubiților din calculatorul cuantic fizic care minimizează numărul de porți SWAP necesare. (b) Este alegerea ta unică sau ar putea exista și alte alegeri la fel de bune? (c) Chiar dacă alegerea ta este singurul layout optim pentru reducerea porților SWAP, care sunt câteva motive pentru care Transpiler-ul ar putea alege o altă mapare?

Răspuns

(a) Pot exista multe răspunsuri corecte, dar observă că doar qubitul abstract 0 are porți de încurcare (cu doi qubiți) cu trei vecini. Toți ceilalți participă la operații cu doi qubiți doar cu doi vecini. Acest circuit poate fi mapat pe o topologie heavy-hex fără nicio poartă SWAP. Orice layout care realizează acest lucru este acceptabil. Folosind $\text{aq[0]}$ pentru a ne referi la qubitul abstract zero și $\text{tq[0]}$ pentru qubitul transpilat zero, un astfel de layout este:

$$\begin{aligned} \text{aq[0]} & \rightarrow \text{tq[15],}\\ \text{aq[1]} & \rightarrow \text{tq[16],}\\ \text{aq[2]} & \rightarrow \text{tq[19],}\\ \text{aq[3]} & \rightarrow \text{tq[14],}\\ \text{aq[4]} & \rightarrow \text{tq[17],}\\ \text{aq[5]} & \rightarrow \text{tq[25]} \end{aligned}$$

(b) Acest layout nu este unic. Multe alte layout-uri evită complet porțile SWAP. Un alt exemplu este:

$$\begin{aligned} \text{aq[0]} & \rightarrow \text{tq[3],}\\ \text{aq[1]} & \rightarrow \text{tq[4],}\\ \text{aq[2]} & \rightarrow \text{tq[8],}\\ \text{aq[3]} & \rightarrow \text{tq[2],}\\ \text{aq[4]} & \rightarrow \text{tq[5],}\\ \text{aq[5]} & \rightarrow \text{tq[13]} \end{aligned}$$

(c) Uneori un anumit qubit este mai predispus la erori decât majoritatea celorlalți de pe cip. De asemenea, unele conexiuni dintre qubiți sunt mai predispuse la erori decât altele. Transpiler-ul încearcă să găsească un layout care evită porțile SWAP inutile, dar care folosește și qubiții și conexiunile cu cea mai mare fidelitate disponibile pe calculatorul cuantic selectat.

Reducerea efectelor zgomotului și ale erorilor

Mai multe addon-uri Qiskit se concentrează în mod specific pe reducerea impactului zgomotului și al imperfecțiunilor hardware.

Retropropagarea operatorilor și transformări de circuit conștiente de zgomot

Am discutat deja propagarea operatorilor în contextul verificărilor Pauli coerente din corecția erorilor. Totuși, propagarea operatorilor este utilă mai general. Există două moduri principale de a folosi propagarea unui operator printr-un circuit cuantic: (1) absorbția ultimelor câteva straturi ale unui circuit cuantic în observabilele măsurate și (2) luarea în considerare a efectelor probabile ale erorilor din circuit și compensarea lor prin măsurarea unei alte observabile. Următoarele două instrumente folosesc aceste abordări.

Retropropagarea operatorilor

Retropropagarea operatorilor reduce adâncimea circuitului absorbind porți de la sfârșitul unui circuit în observabila măsurată. De exemplu, consideră circuitul următor.

Acest circuit conține straturi de rotație și de încurcare care par netriviale, urmate de o scară de porți CNOT și de o măsurare a lui Z pe qubitul 5. Acest circuit are o adâncime cu doi qubiți de 7. Această adâncime este înainte de transpilare. În practică, aplici de obicei retropropagarea după transpilare, dar acest exemplu are doar scop didactic. Reamintește-ți că există reguli pentru propagarea unei observabile dincolo de o poartă. În particular, când o poartă CNOT are ținta $q_t$ și controlul $q_c$, o observabilă $Z_t$ pe $q_t$ devine $Z_c Z_t$ când este propagată înapoi dincolo de poarta CNOT: $Z_t \rightarrow Z_c Z_t$. În acest circuit exemplu, dacă propagi observabila $Z_5$ înapoi prin întreaga scară de porți CNOT, obții observabila $Z_5 Z_4 Z_3 Z_2 Z_1 Z_0$, sau, în notația standard Qiskit, simplu $ZZZZZZ$. Dacă măsurăm această observabilă în loc de doar $Z_5$, putem elimina întreaga scară de porți CNOT, ceea ce reduce adâncimea cu doi qubiți de la 7 la 2. Această observabilă necesită în continuare o măsurare într-o singură bază pe fiecare qubit, deci nu crește numărul de shot-uri de care avem nevoie. Nu este întotdeauna cazul. În general, observabilele mai complicate necesită mai multe shot-uri și uneori mai multe măsurări în baze diferite.

Strategia generală a retropropagării operatorilor include următorii pași:

• Scurtarea circuitului executat

• Înlocuirea observabilei originale cu o observabilă extinsă

• Schimbul adâncimii circuitului pe cerințe de eșantionare crescute

Circuitul anterior este un exemplu evident în care retropropagarea este avantajoasă. În general, însă, nu este ușor să identifici circuitele care beneficiază cel mai mult de retropropagare. Pentru a decide când să folosești retropropagarea, verifică cât de multă adâncime poți elimina din circuit și cântărește această reducere față de cerințele crescute de eșantionare.

Absorbția zgomotului propagat (PNA)

Absorbția zgomotului propagat este structural similară cu retropropagarea operatorilor. Totuși, în loc să propage un operator înapoi prin porțile ideale ale unui circuit, PNA încorporează un model de zgomot învățat și propagă efectele zgomotului direct în observabilă. PNA face următoarele:

• Învață comportamentul zgomotului din hardware

• Propagă modelul de zgomot prin circuit

• Produce o observabilă modificată care compensează zgomotul porților

Când observabila modificată este măsurată pe hardware zgomotos, valorile de așteptare rezultate aproximează mai bine rezultatul ideal fără zgomot. PNA are două tipuri de overhead. În primul rând, trebuie să înveți modelul de zgomot, ceea ce necesită rularea unor circuite suplimentare. În al doilea rând, PNA poate produce observabile mai complicate, ceea ce poate crește cerințele de eșantionare.

Tăierea circuitelor

Tăierea circuitelor partiționează un circuit mare în subcircuite mai mici care pot rula independent. Apoi faci suficiente măsurări pentru a recombina rezultatele. Tăierea circuitelor face următoarele:

• Reduce cerințele hardware

• Permite calcule mai mari decât numărul de qubiți disponibili (circuite mai late)

• Ajută la rezolvarea limitărilor de adâncime și conectivitate (circuite mai adânci)

• Reconstruiește rezultatul original prin post-procesare clasică

Samplomatic

Multe dintre tehnicile din secțiunile anterioare completează alte metode de suprimare și atenuare tratate în acest curs, inclusiv:

• Decuplare dinamică

• Pauli twirling

• M3

• TREX

• Extrapolare la zero zgomot (ZNE)

• Anulare probabilistică a erorilor (PEC)

În multe workflow-uri, poți aplica tehnici diferite în regiuni diferite ale aceluiași circuit. După cum am văzut, multe dintre aceste tehnici vin și cu overhead cuantic. De aceea avem uneori nevoie de un control fin și detaliat asupra învățării zgomotului, eșantionării și aplicării secvențelor de twirling. Acestea sunt câteva dintre motivațiile din spatele Samplomatic.

Samplomatic este o bibliotecă open-source care permite workflow-uri personalizate de eșantionare, randomizare și atenuare a erorilor.

Prima sa sarcină este să analizeze un circuit și să-l împartă în regiuni etichetate, sau casete (boxes). Aceste casete servesc două scopuri:

• Partiționează vizual circuitul.

• Creează regiuni indexate care pot fi configurate independent.

Utilizatorii pot atașa adnotări care descriu cum ar trebui tratată fiecare casetă în timpul execuției. Exemplele includ:

• Aplicarea Pauli twirling tuturor casetelor

• Aplicarea twirling-ului doar la anumite casete

• Utilizarea unor grupuri de twirling diferite în regiuni diferite

• Injectarea zgomotului învățat în straturi specifice

• Personalizarea strategiilor de atenuare la un nivel foarte fin

Samplomatic identifică și regiunile repetate încadrate în casete. Deoarece straturile identice prezintă de obicei caracteristici de zgomot similare, trebuie să efectuezi învățarea zgomotului o singură dată pentru fiecare strat unic.

Ieșirile Samplomatic

Samplomatic produce două obiecte principale:

• Circuit șablon

• Samplex

Circuitul șablon este un circuit parametrizat, încadrat în casete și transpilat, gata de execuție. Samplex-ul conține toate informațiile necesare pentru a genera și a procesa variantele de circuit. Conținutul unui samplex include:

• Valorile parametrilor pentru circuitele parametrizate

• Selecțiile de randomizare

• Distribuțiile de eșantionare

• Informații de post-procesare

• Metadate suplimentare de execuție

Formal, un samplex este o distribuție de probabilitate peste parametrii unui circuit șablon, împreună cu informațiile auxiliare necesare pentru execuție și post-procesare. Un avantaj practic important este că atât circuitul șablon, cât și samplex-ul sunt create local, pe partea clientului. Ca urmare, le poți inspecta, valida și depana înainte de a folosi resurse hardware.

Samplomatic are multe avantaje, inclusiv controlul fin al alocării adaptive a shot-urilor și al randomizării. Oferă și avantaje logistice, precum fluxuri de post-procesare structurate. Unul dintre cele mai importante avantaje este reutilizarea informațiilor despre zgomotul învățat între straturile identice, ceea ce poate economisi o cantitate semnificativă de timp de calcul cuantic în timpul învățării zgomotului.

Conuri de lumină umbrite

Înainte de a decide unde să aplici tehnici de atenuare costisitoare, este util să identifici regiunile unui circuit care contează cel mai mult pentru observabila măsurată. Această nevoie motivează addon-ul shaded lightcones. Ideea de con de lumină provine din relativitate, unde relațiile cauzale sunt limitate de viteza finită cu care poate călători informația.

Un concept similar se aplică în circuitele cuantice.

Consideră un circuit mare în care ne interesează doar o observabilă de pondere mică. O observabilă de pondere mică acționează netrivial doar asupra câtorva qubiți. Observabilele de pondere mică sunt interesante din multe motive. De exemplu, ele pot reprezenta următoarele:

• Termeni individuali dintr-un Hamiltonian mai mare

• O regiune de interacțiune localizată

• Informații colectate pe un set mic de qubiți auxiliari

• Alte observabile care implică doar câțiva qubiți

Nu orice eroare din circuit poate afecta rezultatul măsurătorii. Acest lucru este valabil mai ales pentru erorile Pauli sau pentru orice eroare care poate fi modelată ca un set de operații Pauli. De exemplu, privește următorul circuit:

O eroare Pauli pe qubitul 0 din ultimul strat nu poate influența măsurătoarea de pe qubitul 6, deoarece nu există nicio poartă de legătură care să propage eroarea de la qubitul 0 la qubitul 6. Reține că acest argument nu se aplică anumitor erori neunitare. De exemplu, o tranziție de tip T1 către starea fundamentală pe qubitul 0 colapsează qubitul 0 într-o stare de bază computațională. Dacă qubiții 0 și 6 erau anterior încâlciți (așa cum sunt în acest circuit), eroarea neunitară de pe qubitul 0 poate afecta qubitul 6. Discuția următoare se concentrează pe erorile care pot fi reprezentate ca operații Pauli sau ca amestecuri probabilistice de operații Pauli.

În ultimul strat, doar o eroare Pauli pe qubitul 5 sau pe qubitul 6 poate afecta direct măsurătoarea de pe qubitul 6.

În stratul de încâlcire anterior, qubiții 5 și 6 sunt încâlciți cu qubiții 4, respectiv 7. Prin urmare, în acel strat de încâlcire sau chiar înaintea lui, o eroare Pauli pe oricare dintre acești patru qubiți poate afecta măsurătoarea ulterioară. Poți continua să urmărești circuitul înapoi pentru a găsi subsetul de porți și qubiți conectat cauzal de măsurătoare. Acest set cauzal formează o regiune în formă de con în spațiu (qubiți) și timp (straturi), de unde provine termenul de con de lumină. Forma exactă a regiunii variază de la un circuit la altul. Deoarece această analiză depinde de conectivitatea hardware și de plasarea porților, ea este cea mai utilă după transpilare, rutare și optimizarea aranjării.

Dincolo de conectivitatea cauzală

Conurile de lumină umbrite extind această idee luând în considerare și ce tipuri de erori contează.

De exemplu, reține următoarele:

• O eroare Z imediat înaintea unei măsurători în baza Z nu are niciun efect asupra rezultatului măsurătorii.

• O eroare X imediat înaintea unei măsurători în baza Z poate schimba dramatic rezultatul.

Prin urmare, unele tipuri de erori merită mai mult efort de atenuare decât altele. Această distincție poate reduce substanțial costul suplimentar al unor tehnici precum PEC. În practică, addon-ul generează analize de sensibilitate separate pentru fiecare dintre următoarele tipuri de erori:

• X errors

• Z errors

• Erori Y (sau XZ până la o fază)

Această sensibilitate la erori arată în general diferit pentru fiecare tip de eroare, deoarece diferitele erori conectate cauzal au impact diferit asupra măsurătorii. Reține și că sensibilitatea se schimbă pe parcursul circuitului. O eroare X imediat înaintea măsurătorii poate fi foarte dăunătoare, în timp ce o eroare produsă cu multe straturi mai devreme poate avea un efect mai mic după ce se propagă printr-o stare puternic încâlcită.

Conurile de lumină umbrite cuantifică această diferență atribuind o valoare de sensibilitate erorilor potențiale din întregul circuit.

Hărțile rezultate indică următoarele:

• Unde contează erorile

• Ce tipuri de erori contează

• Cât de puternic influențează observabila finală

Conurile de lumină umbrite nu atenuează ele însele erorile, dar pot ajuta la concentrarea efortului de atenuare acolo unde oferă cel mai mare beneficiu.

Învață și injectează zgomot

După ce un circuit a fost construit, optimizat și adnotat, rămân două sarcini complementare: învățarea zgomotului și utilizarea modelului de zgomot (de exemplu, pentru a injecta zgomot sau pentru a propaga efectele zgomotului).

NoiseLearnerV3

NoiseLearnerV3 este instrumentul actual pentru învățarea zgomotului. Interfața anterioară NoiseLearner accepta circuite întregi și producea modele de zgomot Pauli-Lindblad. NoiseLearnerV3 operează în schimb direct asupra instrucțiunilor de circuit încadrate în casete. Pe scurt, NoiseLearnerV3 face următoarele:

• Acceptă colecții de straturi de circuit etichetate

• Reutilizează informațiile din straturile repetate

• Suportă învățarea zgomotului de măsurare

• Suportă post-procesarea modelelor învățate

• Permite fluxuri de lucru de injectare și scalare a zgomotului

Acest design se aliniază îndeaproape cu fluxul de lucru orientat pe straturi al Samplomatic. În special, NoiseLearnerV3 folosește următoarele metode pentru fiecare set de instrucțiuni:

• Învățare Pauli-Lindblad pentru operațiile cu porți

• Învățare bazată pe TREX pentru măsurători

Poți folosi apoi un model de zgomot învățat în multe dintre metodele pe care le-am acoperit deja. De exemplu, amintește-ți că extrapolarea la zero zgomot (ZNE) cu plierea porților poate duce la circuite intractabil de adânci. Metoda alternativă de scalare a zgomotului în acel caz a fost eșantionarea dintr-un model de zgomot cunoscut, ceea ce crește efectiv nivelul de zgomot, chiar și cu factori neîntregi. Această metodă, amplificarea probabilistică a erorilor (PEA), este un bun exemplu de cum poți folosi un model de zgomot pentru a atenua erorile. Un model de zgomot bun este necesar și pentru anularea probabilistică a erorilor (PEC) și pentru absorbția zgomotului propagat (PNA).

Pe scurt, cu un model de zgomot de înaltă calitate, zgomotul devine o resursă programabilă, nu doar o sursă de erori.

Conuri de lumină umbrite versus NoiseLearnerV3

NoiseLearnerV3 și SLC sunt strâns legate, dar au intrări distincte și răspund la întrebări diferite. SLC stabilește unde să concentrezi efortul de atenuare. NoiseLearnerV3 caracterizează zgomotul real prezent în acele regiuni. Aceste procese implică și tipuri diferite de cost suplimentar. Tabelul următor rezumă aceste diferențe.

	Conuri de lumină umbrite	NoiseLearnerV3
Scop	Identifică unde contează atenuarea	Învață cum se comportă erorile
Cost suplimentar	În principal cost clasic	Necesită execuții pe hardware
Ieșire	Produce hărți de sensibilitate	Produce descrieri ale canalelor de zgomot
Intrare	Folosește structura circuitului și propagarea operatorilor	Folosește structura circuitului și date experimentale de pe hardware

Executor și execuția în runtime

Executor realizează pasul final de execuție. Poate opera pe oricare dintre următoarele intrări:

• Un circuit șablon și un samplex generate de Samplomatic

• Un circuit cuantic convențional, fără Samplomatic

Datorită acestei flexibilități, poți adopta cât de multe sau cât de puține componente ale fluxului de execuție dirijată ai nevoie.

Executor lucrează îndeaproape cu Samplomatic, care gestionează alegerile de randomizare, alocarea shot-urilor, selecțiile de injectare a zgomotului și metadatele de execuție aferente, așa cum s-a descris anterior.

Pentru exemple practice ale modelului de execuție dirijată, consultă ghidul Directed execution model, precum și tutorialele și documentația addon-urilor Qiskit de pe IBM Quantum® Platform.

Concluzie

Fluxurile de lucru cuantice moderne se bazează tot mai mult pe o colecție de instrumente complementare, nu pe o singură primitivă de execuție.

Aceste instrumente susțin fiecare etapă a fluxului de lucru:

• Maparea problemei

• Construirea circuitului

• Transpilare și optimizare

• Suprimarea erorilor

• Atenuarea erorilor

• Învățarea zgomotului

• Execuție structurată

• Post-procesare

Împreună, instrumente precum Samplomatic, Executor, NoiseLearnerV3, conurile de lumină umbrite, absorbția zgomotului propagat, tăierea circuitelor și AQC-Tensor oferă semnificativ mai mult control decât modelele de execuție anterioare.

Domeniul continuă să evolueze rapid. Pe măsură ce procesoarele cuantice devin mai mari și mai conectate, aceste tehnici vor juca probabil un rol tot mai important în atingerea unui avantaj cuantic util și, în cele din urmă, în integrarea fluidă cu fluxurile de lucru de calcul cuantic tolerant la erori.