Optimizing continuous-time quantum error correction for arbitrary noise

Resumen Técnico: Optimización de la Corrección de Errores Cuánticos en Tiempo Continuo para Ruido Arbitrario

Planteamiento del Problema
Los sistemas cuánticos son inherentemente susceptibles a la decoherencia ambiental, lo que requiere una Corrección de Errores Cuánticos (QEC, por sus siglas en inglés). Si bien los códigos estabilizadores estándar ofrecen un marco robusto para corregir errores de Pauli independientes, a menudo resultan subóptimos para entornos de ruido complejos y realistas. El ruido del mundo real puede ser no markoviano, causar fugas (leakage) fuera del subespacio computacional, introducir errores no de Pauli o exhibir correlaciones espaciales y temporales. Además, el modelo estándar de QEC de tiempo discreto asume una recuperación instantánea, mientras que en la práctica, el ruido es perpetuo. Esto motiva el marco de la Corrección de Errores Cuánticos en Tiempo Continuo (CT-QEC), donde el ruido débil y las operaciones de recuperación débiles ocurren simultáneamente.

Un desafío crítico en la CT-QEC es la selección de los observables de medición y los operadores de recuperación. A diferencia de la QEC de tiempo discreto, donde diferentes bases de medición pueden ofrecer un rendimiento equivalente, la elección de la base de medición débil y la correspondiente corrección unitaria débil en la CT-QEC impacta significativamente el rendimiento. Por ejemplo, medir débilmente los estabilizadores y aplicar correcciones Pauli débiles puede resultar en una fidelidad subóptima en comparación con otros pares de medición-corrección. La identificación de la estrategia de recuperación óptima para canales de ruido arbitrarios a nivel de dispositivo sigue siendo un problema de optimización difícil, particularmente porque el espacio de los posibles espacios de código (subespacios) forma una variedad de Grassmann no convexa.

Metodología
Los autores proponen un protocolo de aprendizaje automático (ML) para optimizar simultáneamente el espacio del código de corrección de errores cuánticos y el correspondiente canal de recuperación débil dentro del marco de CT-QEC. El enfoque trata el canal de ruido como un mapa arbitrario completamente positivo y preservador de traza (CPTP), lo que permite correlaciones tanto en el espacio como en el tiempo.

1. Arquitectura de la Red Neuronal: La optimización utiliza un Perceptrón Multicapa (MLP) con seis capas ocultas (128 neuronas cada una, activación ReLU). La red toma como entrada una representación del espacio de código y devuelve un conjunto de matrices complejas que definen el canal de recuperación.
2. Parametrización de los Canales de Recuperación: Dado que el conjunto de mapas CPTP es convexo, la capa de salida se parametriza para generar operadores de Kraus. La red produce matrices complejas arbitrarias $\{G_j\}$, que se normalizan para formar operadores de Kraus válidos $\{R_j\}$ para un canal fuerte $R$. El canal de recuperación débil $\tilde{R}$ se construye entonces mediante una combinación convexa con el canal identidad: $\tilde{R} = (1-\epsilon^2)I + \epsilon^2 R$, donde $\epsilon = \sqrt{\kappa \delta t}$.
3. Optimización del Espacio de Código: El conjunto de todos los subespacios de código forma la variedad de Grassmann, la cual es no convexa. Para navegar esto, los autores emplean un algoritmo de descenso de gradiente de Riemann. El gradiente euclidiano de la función de costo se proyecta sobre el espacio tangente de la variedad en el punto actual. El paso de actualización implica moverse a lo largo de una línea recta en el espacio de incrustación y retraerse nuevamente hacia la variedad utilizando la descomposición polar (vía descomposición de valores singulares), evitando el costo computacional de los mapas exponenciales.
4. Funciones de Costo:
   • Ruido Markoviano: El objetivo es minimizar la infidelidad entre el estado máximo entrelazado inicial $|\Phi\rangle_{LR}$ y el estado después de un tiempo corto $\delta t$, sujeto al ruido y a un mapa de recuperación fuerte. Esto evita la solución trivial del mapa identidad y asegura que el código proteja los estados lógicos durante más tiempo que los cúbits físicos desnudos.
   • Ruido No Markoviano: Para el ruido con correlación temporal, la función de costo minimiza la infidelidad promedio en el tiempo sobre un conjunto de trayectorias de ruido y recuperación.

Resultados Clave
El protocolo fue probado en varios modelos de ruido, comparando el código y la recuperación optimizados por ML contra códigos estabilizadores estándar y cúbits desnudos:

• Ruido de Bit-Flip Markoviano: Para tres cúbits sujetos a un ruido de bit-flip uniforme, la red neuronal redescubrió el código estándar de bit-flip $[[3, 1, 3]]$, confirmando empíricamente su optimalidad para este ruido simétrico.
• Amortiguamiento de Amplitud y Dephasing Correlacionado: Para cinco cúbits codificando un cúbit lógico bajo amortiguamiento de amplitud y dephasing espacialmente correlacionado, el enfoque de ML superó significativamente tanto al código $[[5, 1, 3]]$ estándar como a una versión modificada adaptada a síndromes de error específicos.
• Errores de Fuga (Leakage): En un sistema de dos cúbits físicos donde ocurre fuga hacia un estado externo, la recuperación optimizada por ML mitigó con éxito los errores de fuga, superando a los cúbits físicos sin codificar.
• Sistemas de Qutrits: El método codificó con éxito un cúbit lógico en dos qutrits físicos, demostrando flexibilidad más allá de los sistemas basados en cúbits.
• Ruido No Markoviano:
  • Para ruido de tipo $1/f$ (rotaciones de Hamiltoniano en tiempo continuo), el código y la recuperación optimizados por ML superaron significativamente al código Bacon-Shor y a los cúbits desnudos.
  • Para errores de Hamiltoniano constantes (un modelo altamente no markoviano), el código entrenado con ruido $1/f$ se generalizó bien, superando al código $[[4, 1, 1, 2]]$ y a los cúbits desnudos sin necesidad de reentrenamiento específico, lo que sugiere robustez contra el sobreajuste.

Significancia y Reivindicaciones
El artículo sostiene que este enfoque impulsado por ML permite el descubrimiento de esquemas de recuperación y espacios de código adaptados específicamente a un ruido de dispositivo arbitrario, incluyendo errores no markovianos y correlacionados donde los códigos estabilizadores estándar son subóptimos. Al aprovechar el régimen de tiempo continuo, el método explota el efecto Zeno cuántico para suprimir el ruido no markoviano mediante el truncamiento del núcleo de memoria del baño a través de mediciones frecuentes.

Los autores enfatizan que, si bien los operadores de Kraus resultantes son arbitrarios y pueden ser no locales o difíciles de implementar físicamente, el marco proporciona un límite superior teórico y una herramienta de diseño. Sugieren que la información de acoplamiento a nivel de dispositivo podría incorporarse a la función de pérdida en trabajos futuros para mejorar la practicidad. El protocolo se presenta como un método para la ingeniería de códigos para sistemas pequeños, que posteriormente podrían concatenarse con códigos estándar para lograr niveles más altos de corrección de errores. El trabajo no pretende una realización experimental inmediata, sino que establece un marco computacional para optimizar las estrategias de CT-QEC.