ملخص تقني: الاختبار القابل للتوسع لتصحيح الخطأ الكمي

بيان المشكلة

يعد قياس أداء خوارزميات تصحيح الخطأ الكمي (QEC) خطوة حاسمة نحو الحوسبة الكمية ذات القدرة على تحمل الخطأ. يتضمن النهج القياسي تقدير معدل الخطأ المنطقي ($P_L$) عن طريق محاكاة الدوائر الكمية مع حقن أخطاء. ومع ذلك، مع توسع أكواد تصحيح الخطأ الكمي (QEC) إلى مسافات أكبر ($d$) ومعدلات خطأ فيزيائية أقل ($p$)، تصبح الأخطاء المنطقية أحداثًا نادرة للغاية.

تستخدم الأداة الرائدة، Stim، حقن الأعطال العشوائي لتقييم عمليات تنفيذ QEC. ورغم كفاءتها للمسافات الصغيرة (حتى $d \approx 10$)، إلا أن Stim تتوسع بشكل سيئ للمسافات الأكبر لأنها تعتمد على أخذ العينات بطريقة مونت كارلو (Monte Carlo). بالنسبة لخوارزميات QEC عالية الجودة، يكون احتمال حدوث خطأ منطقي منخفضًا جدًا بحيث يتعين على Stim إجراء عدد هائل من الاختبارات لتحقيق الثقة الإحصائية. وفي كثير من الحالات، تفشل Stim في رصد خطأ منطقي واحد ضمن ميزانيات زمنية معقولة (على سبيل المثال، ساعتان على جهاز كمبيوتر مكتبي)، مما يجعلها غير قادرة على تقديم تقدير. وهذا يخلق عائقًا أمام الباحثين الذين يهدفون إلى توصيف أداء QEC للتطبيقات الواقعية.

المنهجية: ScaLER

يقترح المؤلفون ScaLER (اختبار معدل الخطأ المنطقي القابل للتوسع)، وهي طريقة تجمع بين الحقن الطبقي للأعطال والاستقراء للتغلب على قيود أخذ العينات العشوائية. الفكرة الجوهرية هي أنه يمكن تقسيم "فضاء الأعطال" حسب وزن الأعطال المحقونة (عدد الأعطال)، وأنه يمكن أخذ عينات من الأوزان العالية بكفاءة للتنبؤ بسلوك العينات ذات الوزن المنخفض.

1. نمذجة بيانات اختبار QEC كمنحنيات S (S-curves)

لاحظ المؤلفون أن معدل الخطأ المنطقي كدالة لوزن الخطأ ($P_L^w$) يشكل منحنى S:

• منطقة تحمل الخطأ: بالنسبة للأوزان $w \le t$ (حيث $t = \lfloor (d-1)/2 \rfloor$)، يكون معدل الخطأ المنطقي صفرًا تمامًا.
• منطقة الانتقال: مع زيادة الوزن فوق $t$، يرتفع معدل الخطأ بشكل حاد.
• منطقة التشبع: عند الأوزان العالية جدًا، يتشبع معدل الخطأ عند 0.5 (ما يعادل رمية عملة معدنية).

يصيغ البحث هذا السلوك باستخدام دالة مستمرة $f(w)$. وبينما يناسب نموذج "IBM's Min-Fail Enclosure Model" البيانات، يرى المؤلفون أنه يفتقر إلى الدقة بالقرب من عتبة تحمل الخطأ. لذا قدموا نموذج منحنى S جديدًا يرمز صراحةً لعتبة تحمل الخطأ $t$ عبر تعريف الدالة بأنها صفر لـ $w \le t$ واستخدام صيغة (ansatz) محددة لـ $w > t$:
$$f_t^{\text{ours}}[\mu, \alpha, \beta](w) = \begin{cases} 0 & w \le t \\ \frac{1}{2} \cdot \frac{1}{1 + e^{-\frac{w-\mu}{\alpha} + \frac{\beta}{\sqrt{w-t}}}} & w > t \end{cases}$$
يتم ضبط هذا النموذج على نقاط البيانات التي تم جمعها من فضاءات فرعية لأوزان محددة.

2. أخذ العينات الطبقي والبحث التكيفي

بدلاً من أخذ العينات بشكل موحد عبر جميع الأوزان، يركز ScaLER على عينات الوزن العالي حيث تحدث الأخطاء المنطقية بشكل متكرر، ثم يستقرئ عائدًا إلى منطقة الوزن المنخفض الحرجة. تعمل الخوارزمية في ثلاث مراحل:

1. مرحلة البحث الثنائي: تبحث الخوارزمية عن وزنين حدوديين:
   • $w_{err}$: أدنى وزن تؤدي فيه 1,000 عينة إلى خطأ منطقي (تقريبًا $P_L^w \approx 0.001$).
   • $w_{sat}$: أعلى وزن يكون فيه معدل الخطأ المنطقي $\le 0.25$.
2. مرحلة أخذ العينات الأولية: يتم جمع العينات في 5 فضاءات فرعية موزعة بالتساوي بين $w_{err}$ و $w_{sat}$. يتم بعد ذلك ملاءمة منحنى Y (منحنى S محول لوغاريتميًا) لهذه البيانات لتقدير "النقطة المثالية" ($w_{sweet}$).
3. المرحلة التكرارية: تقوم الخوارزمية بأخذ عينات تكراريًا من الفضاءات الفرعية بالتحرك من $w_{err}$ نزولاً نحو $w_{sweet}$. بعد كل فضاء فرعي، يتم إعادة ملاءمة منحنى Y، وتحديث تقدير $w_{sweet}$. تتوقف العملية عند اختبار 5 فضاءات فرعية أو استنفاد الميزانية الزمنية.

3. تقدير معدل الخطأ المنطقي

بمجرد ضبط معاملات منحنى S ($\mu, \alpha, \beta$)، يتم تقدير إجمالي معدل الخطأ المنطقي عن طريق جمع حاصل ضرب معدل الخطأ النموذجي واحتمالية حدوث ذلك الوزن في الدائرة:
$$\hat{P}_L = \sum_{w=w_{min}}^{w_{max}} f_t^{\text{ours}}(w) \times \binom{n}{w} p^w (1-p)^{n-w}$$
حيث $n$ هو عدد المواقع في الدائرة، ويغطي المجموع "المنطقة الحرجة" (عادةً $[np - 5\sigma, np + 5\sigma]$).

المساهمات الرئيسية

1. أداة ScaLER: أداة مفتوحة المصدر (C++/Python) تنفذ حقن الأعطال الطبقي وملاءمة منحنى S.
2. نموذج منحنى S مبتكر: نموذج رياضي يدمج صراحةً عتبة تحمل الخطأ $t$، مما يوفر دقة استقراء أفضل بالقرب من العتبة مقارنة بالنماذج الحالية.
3. خوارزمية أخذ العينات التكيفية: طريقة (الخوارزمية 1) تحدد ديناميكيًا النطاق الأمثل للأوزان التي يجب أخذ عيناتها، موازنةً بين تكلفة الاختبار والدقة.
4. إثبات القابلية للتوسع: أدلة تجريبية تظهر أن ScaLER يمكنه تقدير معدلات الخطأ المنطقي لمسافات تصل إلى $d=17$ خلال ميزانية زمنية قدرها ساعتان على جهاز كمبيوتر مكتبي قياسي، وهو نطاق تفشل فيه Stim تمامًا.

النتائج

قيم المؤلفون ScaLER مقابل Stim باستخدام أكواد Surface وToric وBivariate Bicycle (BB) بمسافات تصل إلى 17 ومعدلات خطأ فيزيائية $p=0.0005$ و $p=0.0001$.

• القابلية للتوسع (RQ1): بالنسبة لكود Surface بمسافة $d=17$ و $p=0.0005$، رصدت Stim صفر أخطاء منطقية في ساعتين. قدّر Sc_A_LER معدل خطأ منطقي قدره $1.51 \times 10^{-11}$ بثقة عالية في نفس الإطار الزمني. نجح ScaLER في توفير تقديرات لجميع التكوينات المختبرة التي فشلت فيها Stim.
• التوافق (RQ2): في الحالات التي استطاعت فيها Stim توليد تقديرات حقيقية (عادةً $d \le 10$)، اتفقت تقديرات ScaLER معها ضمن رتبة مقدار واحدة. بالنسبة لـ $d=3$ و $d=9$، كان الخطأ النسبي أقل من 10%. وللمسافات المتوسطة ($d=5, 7$)، كان الخطأ حوالي 20-40%، وهو ما عزاه المؤلفون إلى اختيار معلمة "النقطة المثالية" ($\Gamma$). يؤدي زيادة $\Gamma$ إلى تحسين الدقة على حساب زيادة أخذ العينات.
• مقارنة النماذج (RQ3): تفوق نموذج منحنى S الخاص بالمؤلفين على نموذج IBM في ملاءمة البيانات والاستقراء إلى المنطقة الحرجة. تم اختبار متغيرات من نموذجهم بأسس ($s$) مختلفة، حيث حقق $s=1/2$ (حد الجذر التربيعي في المقام) أعلى دقة.

الأهمية والادعاءات

يزعم البحث أن ScaLER يوفر بديلًا قابلًا للتوسع لحقن الأعطال العشوائي لتقييم أداء خوارزميات QEC عالية الجودة. من خلال نقل التركيز في الاختبار إلى فضاءات أخطاء الوزن العالي والاستفيد من سلوك منحنى S المتوقع لمعدلات الخطأ المنطقية، تقلل الطريقة بشكل كبير من جهد أخذ العينات المطلوب لتقدير معدلات الخطأ المنطقي المنخفضة للغاية.

يؤكد المؤلفون أن نهجهم يمكّن من توصيف دوائر QEC في مقاييس ($d=17$) ومعدلات خطأ ذات صلة بالتطبيقات المستقبلية القادرة على تحمل الخطأ (مثل تحليل الأعداد الكبيرة) والتي لا يمكن الوصول إليها حاليًا باستخدام أدوات مونت كارلو القياسية مثل Stim. وهم يقرون بأن طريقتهم تعتمد على افتراض أن بيانات اختبار QEC تتبع منحنى S وأن الحقيقة المطلقة للمسافات الكبيرة جدًا لا تزال بعيدة المنال، لكنهم يثبتون أن تقديراتهم قوية ومتسقة مع معايير المسافات الأقل.