⚛️ quantum physics

Quantum codes from classical annealing

Dieses Paper stellt einen adaptiven Simulated-Annealing-Algorithmus vor, der erfolgreich CSS-Codes sowie „selbstduale mit äquivalenten Logicals“ (SWEL) Quantenfehlerkorrektur-Codes mit dem aktuellen Stand der Technik entdeckt, die hohe Kodierungsraten und große Distanzen aufweisen und somit vielversprechende Kandidaten sowohl für fehlertolerante Architekturen als auch für Demonstrationen auf Hardware der nächsten Generation darstellen.

Ursprüngliche Autoren: Michael A. Perlin, Matthew Steinberg, Ben Criger

Veröffentlicht 2026-07-23

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Michael A. Perlin, Matthew Steinberg, Ben Criger

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, eine Bibliothek zu bauen, die einem Hurrikan standhalten kann. In der Welt des Quantencomputings ist diese „Bibliothek“ eine Sammlung fragiler Informationseinheiten, die man Qubits nennt. Im Gegensatz zu den stabilen Büchern in Ihrem Regal sind Qubits wie Seifenblasen; schon die kleinste Berührung durch Hitze, Rauschen oder eine vorbeiziehende elektromagnetische Welle kann sie zum Platzen bringen und die darin enthaltenen Daten zerstören. Um dies zu verhindern, nutzen Wissenschaftler einen Trick namens Quantenfehlerkorrektur. Anstatt eine Geschichte auf einer einzigen fragilen Blase zu schreiben, verteilen sie die Geschichte auf viele Blasen in einem speziellen Muster. Wenn eine Blase platzt, ermöglicht das Muster es Ihnen, die Geschichte aus den verbleibenden Blasen zu rekonstruieren.

Es gibt jedoch einen Haken: Je mehr Blasen Sie verwenden, um die Geschichte zu schützen, desto weniger Geschichten können Sie gleichzeitig erzählen. Dies ist der Kompromiss zwischen Zuverlässigkeit (wie gut der Code vor Fehlern schützt) und Effizienz (wie viele nützliche Informationen Sie speichern können). Wissenschaftler haben nach „magischen Codes“ gesucht – Mustern, die das Beste aus beiden Welten bieten: hohen Schutz, ohne zu viele Blasen zu verschwenden. Dieses Paper vertieft diese Suche und nutzt eine clevere Computersuche, um neue, hocheffiziente Muster zu finden, die dabei helfen könnten, die Quantencomputer der Zukunft zu bauen.

Die große Code-Suche: Die Suche nach dem perfekten Schild

Das Design eines quantenfehlerkorrigierenden Codes ist vergleichbar mit dem Versuch, das perfekte Schloss für eine Schatzkiste zu finden. Sie wollen ein Schloss, das unglaublich schwer zu knacken ist (hohe Distanz, was bedeutet, dass es vielen Fehlern widerstehen kann), aber auch leicht genug ist, um es überallhin mitzunehmen (hohe Kodierungsrate, was bedeutet, dass es nicht zu viel Platz verschwendet). Lange Zeit wussten Wissenschaftler bereits, dass solche Schlösser basierend auf mathematischen Theorien existieren müssten, aber die spezifischen Blaupausen für sie tatsächlich zu finden, war wie die Suche nach der Nadel im Heuhaufen einer ganzen Galaxie.

Die Autoren dieses Papers, Forscher von JPMorgan Chase und Quantinuum, beschlossen, nicht länger von Hand nach der Nadel zu suchen, sondern stattdessen eine robotische Suchmaschine zu bauen, die die Arbeit für sie erledigt. Sie verwendeten eine Technik namens Simulated Annealing (simulierte Abkühlung). Um dies zu verstehen, stellen Sie sich vor, Sie versuchen, den tiefsten Punkt in einer riesigen, nebligen Gebirgslandschaft zu finden. Wenn Sie einfach nur bergab gehen, könnten Sie in einem kleinen Tal stecken bleiben und glauben, Sie hätten den Boden erreicht. Aber wenn Sie gelegentlich bergauf springen (was Hitze simuliert), können Sie diese kleinen Täler verlassen und weiter suchen, bis Sie das tiefste und perfekteste Tal gefunden haben. In diesem Fall sind die „Täler“ gute Quantencodes und die „Höhe“ ist die Anzahl der Fehler, die der Code bewältigen kann.

Das Team konzentrierte sich auf zwei spezifische Arten von Codes, die sie CSS-Codes und SWEL-Codes nennen.

CSS-Codes sind wie ein doppellagiger Schild. Sie nutzen ein Muster, um „X-Typ“-Fehler (Flips) abzufangen, und ein anderes, um „Z-Typ“-Fehler (Phasenshift) abzufangen. Sie sind populär, weil sie relativ einfach zu handhaben sind.
SWEL-Codes (Self-Dual with Equivalent Logicals) sind eine spezielle, gehobene Version von CSS-Codes. Sie sind „selbst-dual“, was bedeutet, dass die X- und Z-Schichten Spiegelbilder voneinander sind. Diese Symmetrie ist eine Superkraft: Sie ermöglicht es, bestimmte Quantenoperationen (Gates) einfach auszuführen, indem man dieselbe Aktion auf jedes physikalische Qubit gleichzeitig anwendet. Dies macht sie in realen, fehlertoleranten Quantencomputern wesentlich einfacher zu verwenden.

Die Forscher ließen ihre Suchmaschine auf Codes mit bis zu 50 physikalischen Qubits (den Blasen) und mindestens 4 logischen Qubits (den eigentlichen Geschichten) los. Sie suchten nicht nach irgendeinem Code; sie suchten nach solchen, die die theoretische „Gilbert-Varshamov-Schranke“ übertreffen. Betrachten Sie diese Schranke als ein Tempolimit auf der Autobahn der Quantencodierung. Sie sagt Ihnen, welche Höchstgeschwindigkeit (beste Distanz) Sie für eine gegebene Anzahl von Qubits theoretisch erreichen sönnten. Die Suche der Autoren fand Codes, die dieses Tempolimit häufig erreichten oder sogar übertrafen, was bedeutet, dass sie Schilde fanden, die besser sind als die Standard-Mathematik für diese Größen vorhersagt.

Einer der klügsten Aspekte ihrer Methode war die Art und Weise, wie sie „Güte“ maßen. Normalerweise zählt man lediglich, wie viele Fehler ein Code korrigieren kann. Doch die Forscher erkannten, dass zwei Codes zwar dieselbe Anzahl an Fehlern beheben könnten, einer davon jedoch in einem realen Szenario viel wahrscheinlicher scheitern könnte, weil er mehr „Schwachstellen“ besitzt. Um dies zu lösen, entwickelten sie eine maßgeschneiderte „Energiefunktion“, die wie ein supersensibler Detektor fungierte. Sie zählte nicht nur Fehler, sondern zählte die Anzahl der Wege, auf denen ein Code an seinem schwächsten Punkt versagen könnte. Dies half ihrer Suchmaschine, nicht auf „flachen Plateaus“ stecken zu bleiben, auf denen viele Codes gleich aussah, und leitete sie stattd-weise zu den wirklich überlegenen Designs.

Nach dem Durchlaufen ihrer Simulationen erstellte das Team eine Liste der besten gefundenen Codes, die in den Anhängen des Papers detailliert aufgeführt sind. Dies sind keine bloßen theoretischen Überlegungen; es sind konkrete Blaupausen. Beispielsweise fanden sie einen Code, der 20 physikalische Qubits nutzt, um 6 logische Qubits mit einer Distanz von 4 zu speichern, sowie einen anderen, der 50 physikalische Qubits nutzt, um 6 logische Qubits mit einer Distanz von 8 zu speichern. Viele dieser Codes besitzen weniger „Minimum-Weight Logical Operators“ (Schwachstellen) als bisherige Rekorde, was sie robuster macht.

Das Paper hebt zudem hervor, dass diese Codes besonders vielversprechend für „Near-Term“-Quantenhardware sind. Während massive, perfekte Quantencomputer noch Jahre entfernt sind, sind die heutigen Maschinen klein und verrauscht. Diese neuen Codes bieten einen Weg, mehr nützliche Arbeit aus diesen kleinen, unvollkommenen Maschinen herauszupressen. Darüber hinaus ermöglichen die SWEL-Codes spezielle „transversale“ Gates (Operationen, die keine komplexe Verkabelung benötigen), was der Schlüssel zum Aufbau fehlertoleranter Gate-Sets sein könnte, die essenziell sind, um komplexe Algorithmen auszuführen, ohne dass der Computer abstürzt.

Kurz gesagt: Dieses Paper behauptet nicht, das gesamte Rätsel der Quantenfehlerkorrektur gelöst zu haben. Stattdessen liefert es eine leistungsstarke neue Landkarte und einen Satz hochwertiger Werkzeuge. Durch den Einsatz eines adaptiven Suchalgorithmus haben die Autoren eine Sammlung von „Seed-Codes“ entdeckt, die bereit sind, in zukünftigen Quantenarchitekturen eingesetzt zu werden. Sie zeigen, dass wir selbst unter den Einschränkungen der aktuellen Hardware hocheffiziente, robuste Wege finden können, um Quanteninformationen zu schützen, was uns einen Schritt näher zu dem Tag bringt, an dem Quantencomputer Probleme bewältigen können, die für heutige Supercomputer unlösbar sind.

Technisches Resümee: Quantencodes aus klassischem Simulated Annealing

Problemstellung

Quantenfehlerkorrektur (QEC) ist essenziell für die großskalige fehlertolerante (FT) Quantenberechnung. Bekannte Code-Familien erfordern jedoch oft prohibitive Ressourcen-Overheads. Topologische Codes (z. B. Surface-Codes) sind durch die Bravyi-Poulin-Terhal-Schranke begrenzt, was die Kodierraten einschränkt. Quanten-Low-Density-Parity-Check-Codes (qLDPC) bieten vorteilhafte asymptotische Parameter, erfordern jedoch weitreichende Wechselwirkungen und komplexes Dekodieren, was sie für die Implementierung auf aktueller Near-Term-Hardware schwierig macht. Während Code-Konkatenierung einen Weg zu konstanten Raum-Zeit-Overheads bietet, beruht diese auf qualitativ hochwertigen „Seed“-Codes mit hohen Kodierraten und großen Distanzen.

Brute-Force-Suchen nach solchen Codes sind im Allgemeinen unpraktikabel, da der Raum der Stabilisator-Codes exponentiell mit der Blocklänge $n$ wächst und die Berechnung der Code-Distanz ein NP-hartes Problem darstellt. Folglich besteht ein Bedarf an effizienten numerischen Methoden zur Entdeckung moderat großer ( $n \le 50$ ) Quanten-Stabilisator-Codes, die hohe Kodierraten ( $k/n$ ) und Distanzen ( $d$ ) erreichen oder überschreiten, welche die theoretischen Schranken erfüllen – speziell für Architekturen, die weitreichende Wechselwirkungen unterstützen können (z. B. Ionenfallen oder neutrale Atome).

Methodik

Die Autoren führen einen adaptiven Simulated-Annealing-Algorithmus ein, um optimale Quantencodes innerhalb zweier spezifischer Klassen zu suchen:

CSS-Codes: Calderbank-Shor-Steane-Codes, die eine relativ einfache FT-Zustandspräparation und Dekodierung ermöglichen.
SWEL-Codes: Eine Unterklasse von CSS-Codes, bezeichnet als „Self-Dual with Equivalent Logicals“. Diese Codes erfüllen spezifische Symmetriebedingungen ( $H_X = H_Z$ und logische Operatoren $L_X = L_Z$ ), die transversale Implementierungen von logischen Hadamard- ( $H^{\otimes k}$ ) und Phase-Gates ( $S^{\otimes k}$ ) garantieren, was die Konstruktion von FT-Gatesets erleichtert.

Suchraum und Moves

Initialisierung: Anstatt von trivialen Codes auszugehen, nutzt der Algorithmus ein „Warm Start“, indem ein CSS-erhaltender oder SWEL-erhaltender Gate auf einen trivialen Code angewendet wird.
- Für CSS-Codes wird der Suchraum über die allgemeine lineare Gruppe $GL(n, \mathbb{F}_2)$ abgetastet.
- Für SWEL-Codes wird der Suchraum über die orthogonale Gruppe $O(n, \mathbb{F}_2)$ abgetastet.
Vorschlagsverteilung (Moves):
- CSS: Moves werden generiert, indem zufällige CNOT-Gates zwischen Qubit-Paaren angewendet werden. Theorem 1 stellt fest, dass CNOT-Gates jeden CSS-Code in jeden anderen CSS-Code mit denselben Rang-Parametern transformieren können.
- SWEL: Moves werden generiert, indem „elementare SWEL-erhaltende Gates“ angewendet werden, die auf vier Qubits wirken. Theorem 5 beweist, dass diese Gates, kombiniert mit Permutationen, den gesamten Raum der SWEL-Codes durchlaufen können.

Energiefunktion

Um „Barren Plateaux“ zu vermeiden, bei denen die Code-Distanz trotz lokaler Änderungen konstant bleibt, definieren die Autoren eine Energiefunktion $E(C)$ , die als Surrogat für die logische Fehlerrate in einem Code-Kapazitäts-Rauschmodell dient.
$E(C) = \frac{\log m}{\log(1/p)} - d$
wobei $d$ die Code-Distanz ist, $m$ die Anzahl der minimalgewichtigen, nicht-trivialen logischen Operatoren und $p$ die physikalische Fehlerrate (festgesetzt auf $10^{-3}$ ). Diese Funktion bestraft Codes mit höheren Distanzen (niedrigere Energie) und bricht entscheidend Gleichstände zwischen Codes gleicher Distanz auf, indem sie jene mit weniger minimalgewichtigen logischen Operatoren ( $m$ ) bevorzugt.

Adaptives Annealing

Der Algorithmus verwendet ein adaptives Temperatur-Schema, um zu verhindern, dass das System auf Plateaus oder degenerierten lokalen Minima einfriert. Die Temperatur wird in jeder Epoche basierend auf den beobachteten Energiedifferenzen der vorgeschlagenen Moves angepasst, wobei eine spezifische Aufwärts-Akzeptanzrate angestrebt wird. Ein Memory-Faktor wird verwendet, um Temperaturschwankungen zu dämpfen.

Post-Processing

Nachdem ein Code mittels Annealing gefunden wurde, wird ein Greedy-Algorithmus angewendet, um die Gewichte der Stabilisator-Generatoren zu reduzieren. Dieser Schritt minimiert die Komplexität der Syndrom-Messungen, ohne die Code-Distanz oder die logischen Operatoren zu verändern.

Kernbeiträge

Algorithmischer Rahmen: Die Entwicklung eines adaptiven Simulated-Annealing-Algorithmus, der speziell auf die Suche nach CSS- und SWEL-Quantencodes zugeschnitten ist und gruppentheoretische Eigenschaften nutzt, um sicherzustellen, dass der Suchraum vollständig abgedeckt wird.
SWEL-Charakterisierung: Ein strenger theoretischer Rahmen (Theoreme 3 und 4), der SWEL-Codes definiert und beweist, dass die Menge der SWEL-erhaltenden Gates (isomorph zu $O(n, \mathbb{F}_2)$ ) ausreicht, um alle SWEL-Codes aus einem trivialen Seed zu generieren.
Energie-Surrogat: Die Formulierung einer Energiefunktion, die die Code-Distanz mit der Anzahl der minimalgewichtigen logischen Operatoren kombiniert und so die diskreten Plateaus effektiv löst, die eine naive Distanzoptimierung behindern.
Entdeckung von State-of-the-Art Codes: Die Identifizierung zahlreicher neuer Codes für Blocklängen bis zu $n=50$ , die zuvor bekannte Codes auf qecdb.org übertreffen.

Ergebnisse

Die Autoren präsentieren eine umfassende Tabelle der entdeckten Codes (Anhang F) mit Parametern $[n, k, d]$ , wobei $n \le 50$ und $k \ge 4$ .

Performance: Viele der entdeckten CSS- und SWEL-Codes erreichen Distanzen, die die Quanten-Gilbert-Varshamov-Schranke ( $d_{QGV}$ ) oder die CSS-spezifische Gilbert-Varshamov-Schranke ( $d_{CSS}$ ) erfüllen oder überschreiten.
Vergleich: Die Ergebnisse werden mit den besten bekannten Codes auf qecdb.org verglichen. In vielen Fällen bieten die neuen Codes höhere Distanzen für dasselbe $n$ und $k$ , oder ein höheres $k$ für dasselbe $n$ und $d$ .
Logische Fehlerraten: Mittels Monte-Carlo-Simulationen mit Importance Sampling schätzen die Autoren die logischen Fehlerraten für diese Codes. Die Ergebnisse validieren, dass die Energiefunktion erfolgreich Codes mit niedrigeren logischen Fehlerraten identifiziert, insbesondere für Distanzen $d > 4$ .
SWEL-Spezifika: Die entdeckten SWEL-Codes besitzen die notwendige Struktur für transversale logische Clifford-Gates. Beispielsweise wurde der $[20, 6, 4]$ SWEL-Code mit mindestens 2.304 SWAP-transversalen logischen Clifford-Gates gefunden.

Bedeutung und Ansprüche

Das Paper behauptet, dass diese numerisch optimierten Codes als vorteilhafte Seed-Codes für fehlertolerante Architekturen basierend auf Code-Konkatenierung dienen. Indem sie hochrate- und hochdistanz-orientierte Codes für moderate Blockgrößen bereitstellen, können sie zur Konstruktion größerer logischer Qubits mit reduziertem Overhead genutzt werden.

Darüber hinaus heben die Autoren das Potenzial dieser Codes für Near-Term-Hardware-Demonstrationen hervor. Speziell merken sie an, dass Plattformen wie Ionenfallen und neutrale Atome, die weitreichende Wechselwirkungen unterstützen, gut für die Implementierung dieser Codes geeignet sind. Die SWEL-Codes sind besonders signifikant, da ihre transversalen Gatesets die Konstruktion von fehlertoleranten logischen Gatesets ermöglichen, ohne dass komplexe Magic-State-Distillation für Clifford-Operationen erforderlich ist.

Die Autoren bleiben bescheiden hinsichtlich der unmittelbaren Skalierbarkeit des Suchalgorithmus und merken an, dass die exponentielle Laufzeit der Distanzberechnung die Suche auf $n \le 50$ begrenzt. Sie schlagen vor, dass zukünftige Arbeiten die Parallelisierung der Energiefunktions-Evaluierung, verbesserte Annealing-Schedules oder die Integration von Machine-Learning-Techniken beinhalten könnten, um die Suche auf größere Blocklängen zu skalieren. Sie schlagen zudem vor, dass die Verwendung dieser Seeds für die Code-Konkatenierung (z. B. die Kombination von $[8, 6, 2]$ Iceberg-Codes mit $[38, 12, 6]$ Codes) praktische Architekturen für das kommerzielle Quantencomputing hervorbringen könnte.