Gap-Priced $|T\rangle$-States: Dynamic $|T\rangle$ Post-Selection and Budget-Aware Factory Provisioning

Resumen Técnico: Estados $|T\rangle$ con Precio de Brecha (GP|$|T\rangle$-S)

Planteamiento del Problema
En la computación cuántica tolerante a fallos (FTQC) mediante códigos de superficie, la preparación de estados mágicos $|T\rangle$ representa el costo dominante en términos de cúbits y latencia. Los enfoques actuales suelen provisionar la producción de estados $|T\rangle$ de forma estática: ya sea mediante cultivo (un método estocástico, eficiente en espacio con fidelidad variable) o destilación (un método determinista, intensivo en espacio). Los programadores de cirugía de red actuales tratan estos métodos como entradas fijas, lo que a menudo deja sin utilizar una parte significativa del presupuesto total de error de $|T\rangle$ de un programa. Este aprovisionamiento estático conduce a compensaciones subóptimas entre el tiempo de ejecución, la sobrecarga de espacio y las tasas de error. Específicamente, los cortes de brecha (gap cutoffs) estáticos para el cultivo descartan estados potencialmente utilizables, mientras que las asignaciones estáticas de fábricas suelen sobreaprovisionar recursos para cumplir con los requisitos de fidelidad del peor de los casos, ignorando el margen (slack) real del presupuesto de error del programa.

Metodología
Los autores proponen Estados $|T\rangle$ con Precio de Brecha (GP|$|T\rangle$-S), un sistema que co-optimiza el post-seleccionado de cultivo, la asignación de fábricas de destilación y la programación de cirugía de red bajo un presupuesto global de error de $|T\rangle$ ($\epsilon$). El sistema opera a través de tres mecanismos integrados:

1. Post-Selección de Cultivo Dinámica:
   En lugar de un corte de brecha fijo, GP|$|T\rangle$-S ajusta dinámicamente los criterios de aceptación para los estados cultivados basándose en el presupuesto de error restante.

   • Estimación de Fidelidad: El sistema utiliza la brecha complementaria (la diferencia de log-verosimilitud entre la corrección más probable y la siguiente más probable) reportada por el decodificador como un sustituto (proxy) de la fidelidad del estado. Una tabla de búsqueda, derivada de simulaciones de Monte Carlo, mapea los valores de brecha con las tasas de error lógico (LER).
   • Programación Consciente del Presupuesto: A medida que el programador consume estados $|T\rangle$, rastrea el presupuesto restante ($\epsilon_{rem}$). Si hay un excedente de presupuesto, el corte de la brecha se reduce para aceptar estados de menor fidelidad (pero más rápidos), convirtiendo el margen del presupuesto en velocidad. Si el presupuesto es ajustado, el corte se eleva para asegurar la fidelidad. Esto permite al sistema aceptar estados que un corte estático rechazaría si son suficientes para los pasos restantes del programa.

2. Caracterización y Catálogo de Fábricas:
   Los autores desafían la aproximación estándar de que una fábrica de destilación de 15 a 1 produce un estado con infidelidad $p_{out} \approx 35p^3$. A través de simulaciones de matrices de densidad, demuestran que la infidelidad de salida varía en órdenes de magnitud y depende fuertemente de las dimensiones de las teselas ($d_x, d_z$) para las distancias de código relevantes para la asignación.

   • Fábricas de Cultivo: Inspirados en PureMagic, el sistema introduce "fábricas de cultivo" que integran procesos de cultivo dentro de los canales de enrutamiento de una fábrica de destilación de 15 a 1. Esto reemplaza las inyecciones físicas de $T$ defectuosas con estados cultivados, logrando fidelidades comparables a los esquemas de destilación de dos niveles pero con una huella espacial de un solo nivel.
   • Catálogo de Fábricas: Se genera un catálogo que caracteriza las fábricas por tamaño ($d_x, d_z$), tasa de producción ($\tau$) e infidelidad de salida ($p_{out}$).

3. Asignador de Programación Dinámica:
   GP|$|T\rangle$-S formula la asignación de fábricas y la selección del corte de brecha como un problema de optimización conjunta.

   • Construcción de la Frontera de Pareto: Utilizando un algoritmo de programación dinámica, el sistema computa la frontera de Pareto de configuraciones de fábrica válidas basadas en tres métricas: recuento total de cúbits físicos ($q$), tasa de producción ($r$) e infidelidad ponderada por tasa ($\phi$).
   • Solucionador Heurístico: Para reducir el tiempo de resolución (que puede tomar minutos para una DP exacta), se proporciona un asignador heurístico basado en el problema de la mochila acotada. Este elimina la dimensión de colocación explícita durante la búsqueda y resuelve las asignaciones de puertos concretas de forma codiciosa (greedy) posteriormente, logrando resultados casi óptimos con tiempos de resolución órdenes de magnitud más rápidos.

Contribuciones Clave

• Mapeo de Brecha a Fidelidad: Un método de estimación que convierte la brecha complementaria de los estados cultivados en una estimación de fidelidad, permitiendo la post-selección dinámica.
• Programador Dinámico: Un programador de cirugía de red que intercambia fidelidad por velocidad ajustando dinámicamente el corte de brecha de cultivo basado en el presupuesto de error restante.
• Asignación Co-Optimizada: Un asignador de programación dinámica que optimiza conjuntamente el corte de brecha y la configuración de la fábrica (tamaño y cantidad) para minimizar el tiempo de ejecución o el volumen espacio-tiempo sin exceder el presupuesto de error.
• Caracterización Refinada de Fábricas: Una caracterización de fábricas de 15 a 1 resuelta por distancia que demuestra que la aproximación $35p^3$ es a menudo inexacta para tamaños prácticos, y la introducción de "fábricas de cultivo" que logran alta fidelidad con costos espaciales menores.

Resultados Experimentales
El sistema fue evaluado en 16 benchmarks (incluyendo circuitos Ising, QAOA, KNN y QFT), con conteos de $T$ que van desde $1.4 \times 10^4$ hasta $8.2 \times 10^5$, bajo dos presupuestos de error: $\epsilon = 10^{-3}$ y $\epsilon = 10^{-5}$.

• Rendimiento vs. Baselines: GP|$|T\rangle$-S superó consistentemente a dos líneas base: (1) un enfoque de solo cultivo con un corte de brecha estático, y (2) un enfoque de una sola fábrica sin cultivo.
• Métricas:
  • Conteo de Ciclos Lógicos: Logró una aceleración de media geométrica de 5.5× (reducción promedio del 69%) en comparación con las líneas base.
  • Volumen Espacio-Tiempo: Logró una reducción de media geométrica de 3.4× (reducción promedio del 58%).
  • Utilización del Presupuesto: A diferencia de las líneas base que a menudo dejaron entre el 50% y el 95% del presupuesto de error sin usar, GP|$|T\rangle$-S utilizó casi la totalidad del presupuesto en cada ejecución, sin exceder nunca el límite.
• Viabilidad: Para los benchmarks donde el cultivo por sí solo era inviable (debido a requisitos de fidelidad estrictos), la adición de fábricas de cultivo y la asignación dinámica hizo posible la ejecución dentro del presupuesto.

Significado
El artículo argumenta que la separación entre el ajuste del cultivo y la asignación de fábricas es una elección de diseño subóptima. Al tratar el corte de brecha y la configuración de la fábrica como un espacio de diseño único y acoplado, GP|$|T\rangle$-S demuestra que se pueden lograr ganancias de rendimiento significativas sin aumentar el presupuesto de error. Este trabajo destaca que el "margen del presupuesto" es un recurso crítico y a menudo desperdiciado en la programación actual de FTQC. El sistema propuesto proporciona un marco práctico para maximizar la eficiencia de las arquitecturas de código de superficie mediante la adaptación dinámica del aprovisionamiento de recursos al error específico y al progreso de ejecución del programa cuántico.