Reducing quantum error correction overhead using soft information

Resumen Técnico: Reducción de la Sobrecarga de la Corrección de Errores Cuánticos mediante Información Blanda

1. El Problema

La corrección de errores cuánticos (QEC) es esencial para lograr computadoras cuánticas a gran escala y tolerantes a fallos. Sin embargo, las mediciones imperfectas de los qubits son una fuente prevalente de errores que degradan significativamente las tasas de error lógico alcanzables en el hardware actual.

En los esquemas estándar de QEC (como el código de superficie), los datos de medición analógicos se convierten en representaciones digitales binarias (0 o 1) antes de ser procesados por un decodificador clásico. Este proceso de "endurecimiento" (hard classification) es subóptimo porque descarta información valiosa sobre la probabilidad de que una señal de medición provenga de un estado específico. La pérdida de esta información limita la precisión del decodificador, requiriendo una mayor sobrecarga de qubits físicos (mayor distancia del código) para alcanzar tasas de error lógico aceptables, lo cual es prohibitivo para el hardware actual.

2. Metodología

Los autores proponen y modelan el uso de información blanda (soft information), que consiste en utilizar la probabilidad posterior de que una medición provenga de un estado $|0\rangle$ o $|1\rangle$, en lugar de solo el resultado binario.

• Modelo de Medición: Se modelan dos plataformas principales:
  • Qubits Superconductores: Se utiliza un modelo de desplazamiento dispersivo con distribuciones Gaussianas.
  • Átomos Neutros: Se modela una lectura de fluorescencia no destructiva con distribuciones de Poisson.
    En ambos casos, se calcula la probabilidad posterior $P(1|\mu)$ basada en la señal analógica $\mu$.
• Arquitecturas de Decodificación: Se integran capacidades de decodificación blanda en dos arquitecturas de tiempo real:
  1. Local Clustering Decoder (LCD): Utilizado para códigos de superficie. Se adapta para actualizar dinámicamente los pesos de los bordes en el gráfico de decodificación basándose en la probabilidad de error de medición.
  2. Belief Propagation (BP) + Ordered Statistics Decoding (OSD): Utilizado para códigos de bicicleta bivariada (BB codes). Se modifica el algoritmo BP para incorporar las probabilidades de error de medición en los priors de los nodos de variable, sin necesidad de añadir nodos virtuales adicionales.
• Simulación: Se realizaron simulaciones extensas utilizando el simulador Stim bajo modelos de ruido a nivel de circuito (SI1000 para superconductores y modelos sesgados en Z para átomos neutros). Se evaluaron dos regímenes de ruido de medición:
  • Baja probabilidad de flips suaves (LF): $p_S \approx p$ (donde $p$ es el error de puerta).
  • Alta probabilidad de flips suaves (HF): $p_S = 5p$ (escenario más realista donde la clasificación es menos fiel que las puertas).

3. Contribuciones Clave

• Integración en Tiempo Real: A diferencia de trabajos anteriores que requerían cómputo intensivo fuera de línea, esta propuesta demuestra que la decodificación blanda es compatible con flujos de trabajo de alta velocidad y baja latencia necesarios para sistemas a gran escala.
• Modelado Multi-Plataforma: Se demuestra la viabilidad de la información blanda tanto en qubits superconductores como en átomos neutros, cubriendo dos de las plataformas más prometedoras.
• Aplicación a Nuevos Códigos: Se extiende el beneficio de la información blanda más allá de los códigos de superficie, aplicándolo exitosamente a códigos de baja densidad de paridad (qLDPC) como los códigos de bicicleta bivariada (BB codes).
• Optimización del Tiempo de Medición: Se demuestra que el uso de información blanda permite acortar los tiempos de medición sin penalizar la fidelidad lógica, acelerando los ciclos de QEC.

4. Resultados Principales

• Mejora en la Supresión de Errores ($\Lambda$):

  • En qubits superconductores (régimen HF), la decodificación blanda ofrece una mejora de hasta un 11% en la tasa de supresión de errores ($\Lambda$) en comparación con la decodificación dura.
  • En átomos neutros (régimen HF), la mejora es aún más significativa, alcanzando hasta un 20% en $\Lambda$.
  • En códigos de superficie, la mejora es consistente en todo el rango de tasas de error físico, siendo más pronunciada cuando los errores de clasificación de medición dominan sobre los errores de puerta.

• Reducción de la Huella de Qubits Físicos:

  • Para alcanzar una tasa de error lógico objetivo de $10^{-6}$ (régimen MegaQuop):
    • Superconductores: Se requiere un 13% menos de qubits físicos con decodificación blanda.
    • Átomos Neutros: Se requiere un 33% menos de qubits físicos.
  • Esto se traduce en una reducción drástica de la complejidad y el costo del hardware necesario para la computación cuántica tolerante a fallos.

• Códigos de Bicicleta Bivariada (BB Codes):

  • Para los códigos BB (ej. [[72, 12, 6]] y [[144, 12, 12]]), la información blanda reduce la probabilidad de error lógico en un orden de magnitud en comparación con la decodificación dura, especialmente en regímenes de ruido alto.

• Optimización del Tiempo de Medición:

  • La decodificación blanda permite acortar la duración de las mediciones (hasta un 55% en superconductores y 40% en átomos neutros) sin perder rendimiento en la supresión de errores, lo que permite ciclos de QEC más rápidos.

5. Significado e Impacto

Este trabajo demuestra que la información blanda es una herramienta poderosa para mitigar la sobrecarga de recursos en la computación cuántica a gran escala. Al aprovechar la información analógica de las mediciones, se puede:

1. Reducir drásticamente el número de qubits físicos necesarios para construir un qubit lógico fiable, haciendo viables las computadoras cuánticas comerciales en hardware actual.
2. Acelerar los ciclos de corrección de errores, permitiendo operaciones lógicas más rápidas al reducir el tiempo de medición sin sacrificar la fidelidad.
3. Facilitar la implementación de códigos avanzados (como qLDPC) en hardware real, superando las limitaciones de los decodificadores tradicionales.

Los autores concluyen que, aunque la mejora depende de la prevalencia de errores de clasificación de medición, en escenarios realistas donde estas mediciones son imperfectas, la decodificación blanda ofrece una ventaja escalable crucial para el futuro de la computación cuántica tolerante a fallos.