Forced Gap Post-Selection for Quantum LDPC Codes and their Operations

Dieser Beitrag stellt eine leichte, dekodiererunabhängige Nachselektionsstrategie vor, die die logische Fehlerrate von Quanten-LDPC-Codes mit hoher Rate durch erneutes Ausführen von Dekodierern mit erzwungenen komplementären Ergebnissen zur Ablehnung mehrdeutiger Messergebnisse signifikant verbessert und bei bikvadratischen Fahrradcodes eine mehr als vierfache Verbesserung gegenüber früheren Methoden erzielt.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen, eine geheime Nachricht durch einen lauten Raum zu senden. In der Welt der Quantencomputer ist diese „Nachricht" ein Informationsteil, der in einem speziellen Code gespeichert ist, der als Quantum-LDPC-Code (Quanten-Low-Density-Parity-Check-Code) bezeichnet wird. Diese Codes sind wie hochtechnologische Sicherheitsnetze, die Fehler (Rauschen) auffangen sollen, bevor sie Ihre Nachricht verderben.

Manchmal ist das Sicherheitsnetz jedoch so gut darin, kleine Fehler zu fangen, dass es verwirrt wird, ob tatsächlich ein großer Fehler aufgetreten ist. Es könnte sagen: „Ich habe es repariert!", obwohl die Nachricht tatsächlich noch verzerrt ist. Dies ist ein logischer Fehler.

Das Problem: Wie weiß man, ob man sicher ist?

Bei älteren, einfacheren Codes (wie dem „Surface Code") hatten Wissenschaftler einen cleveren Trick, um ihre Arbeit zu überprüfen. Sie fragten den Decoder (das Computerprogramm, das die Fehler korrigiert): „Was wäre, wenn die Antwort genau das Gegenteil dessen wäre, was Sie gerade gegeben haben? Wie wahrscheinlich ist das?"

Wenn die „Gegenantwort" fast genauso wahrscheinlich ist wie die „echte Antwort", ist der Decoder verwirrt, und das Ergebnis ist verdächtig. Wenn die „echte Antwort" viel wahrscheinlicher ist, ist der Decoder zuversichtlich. Dieser Unterschied in der Wahrscheinlichkeit wird als Gap (Lücke) bezeichnet. Ist das Gap klein, wird das Ergebnis verworfen (dies wird als Post-Selection bezeichnet).

Der Haken: Dieser Trick funktionierte hervorragend für einfache Codes, brach jedoch, wenn er auf die neuen, hochratigen Codes angewendet wurde (wie die 72-Qubit- und 144-Qubit-„Fahrrad"-Codes, die in der Arbeit erwähnt werden). Diese neuen Codes haben viele verschiedene Teile der Nachricht (logische Observablen) gleichzeitig. Zu versuchen, jede mögliche „Gegen"-Kombination für alle von ihnen zu überprüfen, würde ewig dauern und zu viel Rechenleistung erfordern.

Die Lösung: Die „Forced Gap"-Strategie

Die Autoren dieser Arbeit entwickelten eine neue, einfachere Methode, um Verwirrung zu überprüfen, die sie Forced Gap Post-Selection nennen.

So funktioniert es, unter Verwendung einer einfachen Analogie:

1. Der Basislauf (Die erste Vermutung):
   Stellen Sie sich vor, Sie bitten einen Detektiv (den Decoder), ein Rätsel basierend auf den Hinweisen (Syndrom) zu lösen. Der Detektiv gibt Ihnen seine beste Vermutung: „Der Butler hat es getan."

2. Die erzwungenen Läufe (Die „Was-wäre-wenn"-Szenarien):
   Anstatt den Detektiv zu bitten, jeden möglichen Verdächtigen zu erraten, zwingen Sie ihn, spezifische „Was-wäre-wenn"-Szenarien nacheinander zu testen.

   • Lauf 1: „Okay, Detektiv, tun Sie so, als wäre der Butler unschuldig. Wer hat es dann getan?"
   • Lauf 2: „Stellen Sie sich nun vor, der Gärtner ist unschuldig. Wer hat es getan?"
   • ...und so weiter für jeden wichtigen Verdächtigen.

   Der Decoder versucht, eine Lösung zu finden, bei der die Antwort anders ist als die erste Vermutung.

3. Der Vergleich (Das Gap):
   Sie betrachten die erste Vermutung des Detektivs und die beste „erzwungene" Vermutung aus den anderen Läufen.

   • Wenn die erste Vermutung viel wahrscheinlicher ist als die erzwungenen Vermutungen, ist der Detektiv zuversichtlich. Sie behalten das Ergebnis.
   • Wenn die erste Vermutung und eine erzwungene Vermutung fast gleich wahrscheinlich sind, ist der Detektiv verwirrt. Das „Gap" zwischen ihren Zuversichtsniveaus ist klein. Sie verwerfen dieses Ergebnis.

Warum dies eine große Sache ist

Die Arbeit testete diese Strategie an zwei spezifischen Quantencodes (72-Qubit und 144-Qubit) und fand einige beeindruckende Ergebnisse:

• Bessere Genauigkeit: Durch die Verwendung dieser Methode reduzierten sie die Rate der logischen Fehler um mehr als das Vierfache im Vergleich zu früheren Methoden, unter Verwendung exakt derselben Hardware und Rauschniveaus.
• Leichtgewichtig: Frühere Methoden erforderten schwere, langsame und komplexe Rechenschritte zur Fehlerprüfung. Diese neue Methode verwendet einen „Belief Propagation"-Decoder (eine Art schneller, effizienter Algorithmus), der hardwarefreundlich für Chip-Implementierungen (FPGAs) ist. Es ist wie der Wechsel von einem schweren, langsamen LKW zu einem wendigen, schnellen Sportwagen.
• Effizienz: Obwohl sie den Decoder einige zusätzliche Male ausführen müssen (einmal für den Basislauf und einmal für jedes „erzwungene" Szenario), ist die Gesamtarbeit handhabbar und kann sogar parallelisiert werden (wie ein Team von Detektiven, das gleichzeitig an verschiedenen „Was-wäre-wenn"-Szenarien arbeitet).

Das Fazit

Die Autoren schufen einen „Verdachtsmesser" für Quantencomputer. Er erfordert keine Supercomputer zum Ausführen; er fordert den Decoder lediglich auf, einige spezifische „Was-wäre-wenn"-Szenarien zu testen. Wenn der Decoder nicht klar zwischen der richtigen Antwort und einer falschen unterscheiden kann, sagt das System: „Ich bin mir nicht sicher, lassen Sie uns dieses hier verwerfen und es noch einmal versuchen."

Dies ermöglicht es Quantencomputern, viel sauberere und zuverlässigere Ergebnisse zu produzieren, insbesondere wenn sie zur Vorbereitung spezieller Ressourcen (wie „Magic States") verwendet werden, die für fortgeschrittene Quantenaufgaben benötigt werden. Die Arbeit stellt speziell fest, dass dies für die offline-Generierung von Ressourcen-Zuständen nützlich ist, wie zum Beispiel die Destillation von Magic States für Protokolle wie das 15-zu-1-Protokoll.

Technische Zusammenfassung

Technischer Überblick: Erzwungene Lücken-Nachselektion für Quanten-LDPC-Codes und deren Operationen

Problemstellung
Quanten-Low-Density-Parity-Check-Codes (LDPC) mit hoher Rate bieten erhebliche Vorteile beim Speicheroverhead gegenüber Surface Codes, stoßen jedoch bei der Implementierung effektiver Nachselektionsstrategien auf Herausforderungen. Bei Surface Codes wird eine „komplementäre Lücke" verwendet, um die Decodierzuverlässigkeit zu quantifizieren, indem die Log-Likelihood der wahrscheinlichsten Korrektur mit einer logisch komplementären Korrektur verglichen wird. Diese Technik lässt sich jedoch aus zwei Hauptgründen nicht direkt auf allgemeine Quanten-LDPC-Codes übertragen:

1. Decoder-Inkompatibilität: Allgemeine Quanten-LDPC-Codes können nicht mit Matching-Decodern decodiert werden, die für die Berechnung der Surface-Code-Lücke zentral sind.
2. Kombinatorische Explosion: Codes mit hoher Rate besitzen viele logische Observablen ($k$ logische Qubits implizieren $4k$ verschiedene logische Klassen). Ein naiver Ansatz zur Nachselektion würde erfordern, in jeder logischen Klasse zu decodieren, um das zweitwahrscheinlichste Ergebnis zu finden, was den Prozess rechnerisch unmöglich macht (z. B. $2^{12}$ Klassen für einen 72-Qubit-Code mit $k=12$).

Methodik: Erzwungene Lücken-Nachselektion
Die Autoren schlagen eine „Forced Gap"-Strategie vor, eine allgemeine Nachselektionsmethode, die auf hochratige Quanten-LDPC-Codes mit vielen logischen Observablen anwendbar ist. Der Ansatz ist decoderagnostisch, setzt jedoch die Fähigkeit voraus, einen Decoder zu zwingen, eine Lösung mit einem spezifischen logischen Ergebnis zu finden.

Die Strategie verläuft in drei Phasen:

1. Basislauf: Der Decoder wird auf das beobachtete Syndrom $\sigma$ angewendet, um eine Basiskorrektur $e^{(0)}$ mit der logischen Klasse $L^{(0)}$ zu erzeugen. Falls der Decoder nicht konvergiert (ein „Erasur"-Fall), wird der Schuss sofort verworfen.
2. Erzwungene Läufe: Für jede der $K$ logischen Observablen wird der Decoder $K$ Mal erneut ausgeführt. Beim $i$-ten Lauf wird das Decodierproblem modifiziert, indem die $i$-te Zeile der Wirkungsmatrix $A$ (mit einem invertierten Bit $1 \oplus L^{(0)}_i$) an die Paritätsprüfmatrix $H$ angehängt wird. Dies zwingt den Decoder, eine Korrektur $e^{(i)}$ zu finden, bei der die $i$-te logische Observable das komplementäre Ergebnis zur Basis aufweist.
3. Lückenberechnung und Entscheidung: Der Algorithmus fasst alle konvergierten Lösungen zusammen, um die Menge der gefundenen verschiedenen logischen Klassen zu identifizieren. Er berechnet die „Lücke" als Differenz der Log-Likelihoods zwischen der wahrscheinlichsten logischen Klasse $\lambda^{(0)}$ und der zweitwahrscheinlichsten distincten logischen Klasse $\lambda^{(1)}$:
   $$\text{Gap} := \log P[\lambda^{(0)}] - \log P[\lambda^{(1)}]$$
   Falls alle erzwungenen Läufe nicht konvergieren, wird die Lücke auf $\infty$ gesetzt (akzeptiert). Falls der Basislauf fehlschlägt, beträgt die Lücke 0 (verworfen). Ein Schwellenwert $T$ wird angewendet; Schüsse mit $\text{Gap} < T$ werden verworfen.

Diese Methode skaliert linear mit der Anzahl der logischen Observablen ($K+1$ Läufe) statt exponentiell ($2^K$), was sie rechnerisch machbar macht.

Hauptbeiträge

• Verallgemeinerung der komplementären Lücke: Die Arbeit erweitert das Konzept der komplementären Lücke von Surface Codes auf allgemeine hochratige Quanten-LDPC-Codes mit mehreren logischen Qubits.
• Effizienter Algorithmus: Es wird eine Strategie eingeführt, die die unmögliche Enumeration aller logischen Klassen vermeidet, indem nur Abweichungen in einzelnen Observablen erzwungen werden, wodurch die Rechenlast von exponentiell auf linear in $K$ reduziert wird.
• Decoder-Agnostizismus: Die Strategie ist so konzipiert, dass sie mit iterativen Decodern (wie Belief Propagation) funktioniert, die möglicherweise nicht konvergieren, und behandelt Nicht-Konvergenz als spezifisches Signal (Erasur oder unendliche Lücke) statt als Versagen der Methode.
• Leichtgewichtige Implementierung: Im Gegensatz zu früheren Hochleistungsstrategien, die auf hochlatenzbehaftetem Ordered-Statistics-Decoding (OSD) basieren, stützt sich diese Methode auf FPGA-freundliche Belief Propagation (speziell den Relay-BP-Decoder).

Ergebnisse
Die Strategie wurde mit dem Relay-BP-Decoder an folgenden Szenarien getestet:

• Idling-Schaltungen: Die 72-Qubit-[[72, 12, 6]]- und die 144-Qubit-[[144, 12, 12]]-bivariaten Fahrradcodes (BB).
• Logische Operationen: Chirurgie-Gadgets (in-Modul $X_1$, $Y_1$ und inter-modul $X_1X_1$) für den 144-Qubit-Code.

Wichtige Erkenntnisse umfassen:

• Verbesserung der Fehlerrate: Beim 72-Qubit-Code bei physikalischem Rauschen $p=10^{-3}$ erreicht die Strategie eine logische Fehlerrate pro Runde von $\approx 3,5 \times 10^{-8}$ bei einer Nachselektionsrate von 1 %. Dies stellt eine Verbesserung um mehr als den Faktor 4 gegenüber früheren Nachselektionsstrategien dar (z. B. [LEB25] bei $\approx 10^{-5}$ und [Xie+26] bei $\approx 1,5 \times 10^{-7}$) unter ähnlichen Bedingungen.
• Nachselektionsrate: Die Leistungsgewinne sind bei niedrigen Nachselektionsraten (unter 1 %) am ausgeprägtesten. Die Kurve der logischen Fehlerrate flacht nach etwa 1 % Verwerfung ab, da die verbleibenden Schüsse entweder unendliche Lücken aufweisen (Basis konvergiert, erzwungene Läufe fehlgeschlagen) oder Erasuren sind.
• Vergleich mit Vorarbeiten: Während andere Strategien (wie die in [LEB25] und [Xie+26]) bei höheren Nachselektionsraten (z. B. 5–30 %) weiterhin Verbesserungen erzielen können, erfordern sie oft rechenintensivere Decoder (BP-OSD). Die Forced-Gap-Strategie bietet im Regime niedriger Verwerfungsraten eine überlegene Leistung bei deutlich geringerem Rechenaufwand.

Bedeutung und Behauptungen
Die Arbeit behauptet, dass die Forced-Gap-Strategie eine „einfache und allgemeine" Lösung für die Nachselektion in hochratigen Quanten-LDPC-Codes bietet und verbesserte logische Fehlerraten bei leichtgewichtigem Rechenaufwand liefert. Die Autoren positionieren dies als praktisches Werkzeug für Szenarien, in denen Nachselektion verfügbar ist, insbesondere für Offline-Aufgaben zur Generierung von Ressourcenzuständen wie der Distillation magischer Zustände, bei denen operatives Rauschen oft dominiert.

Die Autoren vermerken bescheiden, dass die Strategie für die getesteten Idling-Schaltungen über eine Nachselektionsrate von 1 % hinaus nicht signifikant verbessert und dass zukünftige Arbeiten die durch nicht-konvergierende erzwungene Läufe verursachten Error Floors angehen könnten, indem die Methode mit anderen Decodierverfahren (z. B. OSD oder Decimation) kombiniert wird. Sie heben zudem hervor, dass die Strategie zwar für aktuelle Codegrößen effektiv ist, ihre Skalierung auf größere Codedistanzen und niedrigere physikalische Fehlerraten jedoch weiterer Untersuchung bedarf, möglicherweise durch Analyse seltener Ereignisse statt durch direkte Monte-Carlo-Simulation.