Opportunities and challenges in scaling quantum error detection on hardware

Dieser Artikel bewertet die Chancen und Herausforderungen der Skalierung der Quantenfehlererkennung auf realer und simulierter Hardware unter Verwendung von Wiederholungs- und dreieckigen Farbcodes und zeigt, dass die Technik trotz erheblicher Mehrkosten bei der Probenahme und der klassischen Verarbeitung vielversprechende Aussichten auf rauschfreie Ergebnisse bietet, wenn die Codedistanz zunimmt.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen, eine empfindliche Nachricht durch einen lauten Raum zu senden. Die Nachricht ist ein Quantenzustand, und der „Lärm" ist wie schreiende Menschen, wehender Wind oder Rauschen auf einem Radio. In der Welt des Quantencomputings verursacht dieser Lärm Fehler, die die Berechnung zerstören.

Dieser Artikel handelt von einer spezifischen Strategie zur Korrektur dieser Fehler, genannt Quanten-Fehlererkennung. Die Autoren, ein Team von Forschern verschiedener Universitäten und Unternehmen, wollten herausfinden, ob diese Strategie tatsächlich funktioniert, wenn man sie auf echten, unordentlichen Quantencomputern hochskaliert.

Hier ist eine Aufschlüsselung ihrer Arbeit mit einfachen Analogien:

Die Kernidee: Die „Türsteher"-Strategie

Stellen Sie sich einen Quantencomputer als einen Club vor. Sie möchten ein perfektes Ergebnis (ein „Codewort") aus dem Club erhalten. Der Lärm im System ist jedoch wie ein Türsteher, der versehentlich eine Reihe von Impostern (Fehlern) hereingelassen hat.

• Standard-Quantencomputing: Sie lassen jeden hereinkommen, führen Ihre Berechnung durch und hoffen, dass das Ergebnis stimmt. Ist der Lärm hoch, ist das Ergebnis unbrauchbar.
• Quanten-Fehlererkennung: Anstatt einfach jeden hereinzulassen, richten Sie eine spezielle Regel ein. Sie akzeptieren nur Ergebnisse, die einen bestimmten „Ausweis-Check" (den Code) bestehen. Wenn ein Ergebnis nicht den richtigen Ausweis hat (was bedeutet, dass ein Fehler aufgetreten ist), werfen Sie es weg und versuchen es erneut.

Der Artikel hebt einen großen Vorteil hervor: Diese Methode liefert eine unverzerrte Antwort. Wenn Sie es immer wieder versuchen und nur die „gültigen" Ergebnisse zählen, wird Ihr Durchschnittsergebnis schließlich perfekt korrekt sein, im Gegensatz zu anderen Methoden, die nur raten und hoffen, dass sie nah dran sind.

Die zwei großen Hürden

Die Autoren weisen auf zwei Hauptgründe hin, warum dies noch nicht überall eingesetzt wird:

1. Das „Lotterieticket"-Problem (Sampling-Overhead):
   Da der Lärm so stark ist, scheitern die meisten Ihrer Versuche am Ausweis-Check. Es ist wie beim Kauf von Lotterietickets, bei denen 99,9 % Verlierer sind. Um einen Gewinner zu erhalten, müssen Sie eine enorme Anzahl von Tickets kaufen. Je tiefer (komplexer) Ihre Berechnung wird, desto mehr Tickets müssen Sie kaufen. Die Anzahl der Tickets wächst exponentiell. Sie müssen das Experiment möglicherweise Millionen von Malen durchführen, nur um ein paar gute Ergebnisse zu erhalten.
2. Das „Mathe-Hausaufgaben"-Problem (klassische Verarbeitung):
   Selbst wenn Sie die gültigen Ergebnisse erhalten, ist es schwierig, herauszufinden, was sie bedeuten. Der Computer muss eine massive Menge an Mathematik auf einem normalen Computer durchführen, um die Daten zu verarbeiten. Die Autoren stellten fest, dass für größere Codes diese Mathematik so schwerwiegend wird, dass die Verarbeitung Stunden oder sogar Tage dauert und schließlich Ihr normaler Computer den Speicher erschöpft.

Die Experimente: Das Wasser testen

Das Team sprach nicht nur über Theorie; sie führten tatsächliche Experimente auf echten Quantencomputern (IBM-Maschinen) und simulierten Maschinen durch. Sie testeten zwei verschiedene „Codes" (Regeln für den Ausweis-Check):

• Der Wiederholungscode (Der einfache Wächter):
  Dies ist wie eine Gruppe von Freunden, die alle dasselbe sagen. Wenn ein Freund „Ja" sagt und die anderen „Nein", wissen Sie, dass das „Nein" ein Fehler ist.
  • Ergebnis: Sie stellten fest, dass mit zunehmender Anzahl von Freunden (mehr physikalischen Qubits) die Genauigkeit dramatisch verbessert wurde. Die Ergebnisse näherten sich immer mehr der perfekten Antwort an, genau wie die Theorie vorhersagte.
• Der dreieckige Farbcode (Der komplexe Wächter):
  Dies ist ein viel ausgefeilterer Regelsatz, der in der Lage ist, mehr Arten von Fehlern zu erkennen (nicht nur einfache „Ja/Nein"-Vertauschungen).
  • Ergebnis: Sie testeten dies mit bis zu 74 physikalischen Qubits.
  • Der Haken: Sie fanden einen „Kipppunkt" (genannt Pseudo-Schwelle). Wenn der Lärm im Raum zu laut ist, macht der komplexe Wächter die Dinge tatsächlich schlechter als einfaches Raten, da die Mühe, die Ausweise zu prüfen, neue Fehler einführt. Aber wenn der Lärm niedrig genug ist, funktioniert dieser komplexe Code wunderbar und schlägt die Standardmethode.

Der „Sweet Spot" (Pseudo-Schwelle)

Die Autoren entdeckten ein kritisches Konzept namens Pseudo-Schwelle. Stellen Sie sich eine Geschwindigkeitsbegrenzung vor.

• Wenn der Lärm unter dieser Geschwindigkeitsbegrenzung liegt, ist die Verwendung des Fehlererkennungs-Codes wie das Fahren eines Hochleistungs-Sportwagens; er ist schneller und genauer als das Fahren eines normalen Autos.
• Wenn der Lärm über dieser Grenze liegt, ist der Sportwagen zu schwer und komplex; Sie sind besser dran, einfach das normale Auto zu fahren.

Ihre Experimente zeigten, dass sie für den komplexen Code diesen Kipppunkt erreichten. Mit 38 Qubits funktionierte der Code gut für kurze Aufgaben, scheiterte aber bei längeren, lautereren Aufgaben. Mit 74 Qubits war der Lärm so hoch, dass sie auf der echten Maschine kein einziges gültiges Ergebnis erhalten konnten (obwohl Simulationen darauf hindeuteten, dass es funktionieren könnte, wenn die Maschine etwas leiser wäre).

Das Fazit

Der Artikel kommt zu dem Schluss, dass Quanten-Fehlererkennung ein sehr vielversprechendes Werkzeug ist, aber einen „Sweet Spot" hat.

• Es funktioniert: Es kann perfekt genaue Ergebnisse produzieren, indem es schlechte Daten verwirft.
• Es skaliert: Wenn Sie mehr Qubits hinzufügen, verbessert sich die Genauigkeit exponentiell (die Ergebnisse werden sehr schnell besser).
• Die Kosten: Es erfordert viel Zeit (das Experiment sehr, sehr oft durchzuführen) und viel Rechenleistung auf klassischen Computern, um die Daten zu sortieren.

Die Autoren sind optimistisch, dass, da Quantencomputer besser werden (weniger laut) und wir bessere Wege finden, die Mathematik zu erledigen, diese „Türsteher-Strategie" ein Schlüsselteil beim Aufbau leistungsfähiger, fehlerfreier Quantencomputer in der Zukunft sein wird. Sie erwähnen speziell, dass dieser Ansatz für „Megaquop"-Maschinen (eine zukünftige Skalierung des Quantencomputings) relevant ist, behaupten jedoch nicht, dass er derzeit spezifische medizinische oder industrielle Probleme löst.

Technische Zusammenfassung

Technische Zusammenfassung: Chancen und Herausforderungen beim Skalieren der Quantenfehlererkennung auf Hardware

Problemstellung
Die Quantenfehlererkennung (QED) bietet einen Weg, um unverzerrte Erwartungswerte zu erhalten, die mit zunehmender Kodierungsdistanz exponentiell gegen rauschfreie Ergebnisse konvergieren. Im Gegensatz zu vielen heuristischen Fehlerminderungstechniken, die verzerrte Schätzer erzeugen, verwirft QED Endzustände außerhalb des logischen Unterraums eines gewählten Codes und liefert theoretisch unverzerrte Ergebnisse, sofern alle Fehler korrigierbar sind. Dennoch bleibt QED auf Quantenhardware relativ wenig untersucht, und zwar aufgrund zweier primärer Skalierungsherausforderungen:

1. Abtast-Overhead: Die Anzahl der erforderlichen Stichproben (Shots), um Codewörter zu detektieren, wächst unter den meisten Rauschmodellen exponentiell mit der Schaltungstiefe und den Rauschpegeln.
2. Klassischer Verarbeitungs-Overhead: Die klassische Vor- und Nachverarbeitung, die zur Identifizierung von Codewörtern oder zur Evaluierung der notwendigen Projektoren erforderlich ist, skaliert im Allgemeinen exponentiell mit der Codegröße (speziell $2^r$, wobei $r$ die Anzahl der Stabilisator-Generatoren ist).
   Zusätzlich kann der konstante Overhead beim Einbetten logischer Operationen in die physische Hardware die Leistung beeinträchtigen, wenn das durch Kodierung und Routing eingeführte Rauschen die Vorteile der Fehlererkennung übersteigt.

Methodik
Die Autoren führten eine umfassende Benchmark-Studie auf echten IBM-Quantencomputern und in simulierten Rauschumgebungen durch, um die Skalierung von QED zu evaluieren. Die Studie nutzte zwei spezifische Codes:

• Wiederholungscode: Ein $[[n, 1, n]]$-Code, der für Speicherexperimente und die Vorbereitung logischer Bell-Zustände verwendet wurde. Dieser Code ist klassisch (korrigiert nur Bit-Flip-Fehler) und ermöglicht eine triviale Kodierung in der $Z$-Basis.
• Dreieckiger Farbcode: Ein quantenmechanischer $[[n, 1, d]]$-Code (speziell der Steane-Code für $d=3$ und Verallgemeinerungen für $d=5, 7$), der sowohl Bit-Flip- als auch Phase-Flip-Fehler korrigieren kann. Dieser Code erfordert nicht-triviale unitäre Kodierschaltungen.

Experimente wurden auf IBM-Geräten (Kyiv, Fez, Boston, Aachen) mit bis zu 74 physischen Qubits und 3.146 physischen Zwei-Qubit-Gattern durchgeführt. Die Autoren bereiteten logische Bell-Zustände vor und maßen Erwartungswerte ($\langle \bar{Z}\bar{Z} \rangle$, $\langle \bar{X}\bar{X} \rangle$, $\langle \bar{Z} \rangle$), während sie die Kodierungsdistanz ($n$) und die Schaltungstiefe ($D$) variierten. Zudem wandten sie dynamische Entkopplung (DD) an, um Fehler während der Leerlaufzeiten zu mindern. Um die Grenzen der Technik zu analysieren, schätzten die Autoren die Pseudoschwelle – das Rauschniveau, unterhalb dessen QED physische Experimente übertrifft – für den dreieckigen Farbcode unter Verwendung von Rauschsimulationen mit Ein-Qubit-Depolarisationsrauschen.

Hauptergebnisse

• Exponentielle Konvergenz: Auf Hardware konvergieren die Genauigkeiten der über QED ermittelten Erwartungswerte exponentiell gegen den idealen rauschfreien Wert, wenn die Anzahl der physischen Qubits (Kodierungsdistanz) zunimmt. Dies wurde sowohl in Speicherexperimenten mit Wiederholungscodes als auch bei der Vorbereitung logischer Bell-Zustände beobachtet.
• Leistung im Vergleich zu physischen Qubits: In Experimenten mit Wiederholungscodes übertrafen kodierte Ergebnisse physische Ergebnisse im Durchschnitt konsistent. Beim dreieckigen Farbcode übertrafen kodierte Ergebnisse physische Ergebnisse bei der Distanz $d=3$ ($n=14$) über alle getesteten Tiefen hinweg. Bei $d=5$ ($n=38$) trat jedoch ein Umschlagpunkt auf, an dem kodierte Ergebnisse jenseits einer bestimmten Schaltungstiefe ($D=30$) schlechter wurden als physische Ergebnisse, was die Existenz einer Pseudoschwelle veranschaulicht.
• Abtast- und klassische Grenzen: Die Studie bestätigte, dass das Abtasten von Codewörtern exponentiell schwierig wird. Für den dreieckigen Farbcode mit der Distanz $d=7$ ($n=74$) wurden auf Hardware nach $10^6$ Shots keine Codewörter abgetastet. Simulationen zeigten, dass für $n \ge 25$ die Berechnung von Codewörtern aus Stabilisator-Generatoren Stunden an Rechenzeit erfordert oder die Speicherkapazitäten überschreitet, was den schweren klassischen Engpass hervorhebt.
• Verhalten der Pseudoschwelle: Die geschätzte Pseudoschwelle $p^*$ für den dreieckigen Farbcode fällt exponentiell mit der Schaltungstiefe. Dies definiert einen Unter-Schwellenbereich, in dem die Fehlererkennung eine überlegene Leistung bietet, analog zu Schwellenwerten in der vollständigen Quantenfehlerkorrektur, jedoch abhängig von spezifischen Schaltungs- und Rauschparametern.
• Kodierungs-Overhead: Die Studie hob hervor, dass nicht-triviale Kodierschaltungen (erforderlich für den dreieckigen Farbcode) einen erheblichen Overhead an Tiefe und Zwei-Qubit-Gattern einführen, der die effektiven Fehlerraten über die Pseudoschwelle drängen kann, wenn sie nicht optimiert werden.

Bedeutung und Behauptungen
Die Arbeit behauptet, ein klares Bild der Chancen und Herausforderungen beim Skalieren von QED auf aktueller und zukünftiger Hardware zu liefern. Die primäre Bedeutung liegt darin zu demonstrieren, dass QED auf echter Hardware tatsächlich unverzerrte, exponentiell konvergierende Ergebnisse liefern kann, was ihr Potenzial als leistungsfähige Fehlerminderungstechnik validiert. Die Autoren betonen, dass zwar Abtastung und klassische Verarbeitung erhebliche Hürden bleiben, die experimentellen Ergebnisse jedoch „starke Versprechen" für die Skalierung von QED auf die „Megaquop"-Skala und darüber hinaus zeigen, sofern die Rauschpegel unterhalb der Pseudoschwelle bleiben.

Die Autoren bleiben bezüglich der unmittelbaren Praktikabilität der Methode bescheiden und räumen ein, dass sie die Verbesserungen nicht durch den massiven Anstieg der erforderlichen Abtastressourcen normalisiert haben. Sie gehen davon aus, dass zukünftige Arbeiten darauf fokussieren müssen, die exponentiellen Abtast- und Verarbeitungs-Overheads zu lindern (unter Bezugnahme auf Techniken wie verallgemeinerte Unterraum-Erweiterung und logische Schatten-Tomographie), um größere, anwendungsorientierte Experimente zu ermöglichen. Die Arbeit dient als Benchmark für die aktuelle Grenze von QED und kartiert, wo sie erfolgreich ist und wo die Overheads sie derzeit daran hindern, rohe physische Experimente zu übertreffen.