Résumé Technique : PropHunt : Optimisation Automatisée des Circuits de Mesure de Syndrome Quantique

1. Énoncé du Problème

L'informatique quantique tolérante aux fautes (FTQC) repose sur des codes de correction d'erreurs quantiques (QEC), qui utilisent des circuits de mesure de syndrome (SM) pour détecter et correr les erreurs sur les qubits de données. Bien que la performance théorique des codes QEC soit souvent évaluée en fonction de la distance du code ($d$), le taux d'erreur logique réel dépend fortement de l'implémentation physique du circuit SM.

Les outils d'optimisation de circuits existants, principalement conçus pour l'ère NISQ (Noisy Intermediate-Scale Quantum), se concentrent sur la minimisation du nombre de portes et de la profondeur du circuit afin de réduire la probabilité d'occurrence d'erreurs physiques. Cependant, dans le cadre de la FTQC, les erreurs sont attendues et doivent être tolérées. Le défi critique est que l'ordre des portes CNOT au sein d'un circuit SM dicte la manière dont les erreurs se propagent (spécifiquement les « erreurs de crochet » ou hook errors, où une faute sur un ancilla se propage à plusieurs qubits de données). Un mauvais ordonnancement peut créer des motifs d'erreurs ambigus qui mènent à des erreurs logiques indétectables, réduisant ainsi l'efficacité du code même si la profondeur du circuit est minimale.

Les approches actuelles de conception de circuits SM font face à trois limitations :

1. Conception manuelle : Les circuits sur mesure sont intensifs et souvent intransitables pour des codes aux structures aléatoires (par exemple, les codes Lifted Product ou Random Quantum Tanner).
2. Recherche par force brute : Non scalable pour des tailles de codes modérées à grandes.
3. Prédicteurs imparfaits : Optimiser uniquement pour la profondeur du circuit ou la distance de code effective ($d_{eff}$) est insuffisant. Comme démontré dans l'article, des circuits ayant une profondeur ou une $d_{eff}$ identiques peuvent présenter des taux d'erreur logique radicalement différents en raison de la manière dont les erreurs se propagent à travers le calendrier spécifique des portes CNOT.

2. Méthodologie : PropHunt

Les auteurs proposent PropHunt, un outil automatisé pour optimiser les circuits SM pour les codes CSS en ciblant directement la minimisation de l'ambiguïté d'erreur plutôt que de s'appuyer sur des indicateurs imparfaits comme la profondeur.

Concept Central : Ambiguïté d'Erreur

L'article définit une erreur ambiguë comme deux motifs d'erreurs distincts ($e_1$ et $e_2$) qui produisent le même syndrome ($H e_1 = H e_2$) mais ont des effets logiques différents ($L e_1 \neq L e_2$). Un estimateur de maximum de vraisemblance (MLE) prédira mal l'état logique lorsqu'une telle ambiguïté existe. L'objectif est de modifier le circuit SM pour éliminer ces voies ambiguës.

La Boucle d'Optimisation

PropHunt opère via une boucle itérative composée de cinq étapes :

1. Recherche de sous-graphes de décodage ambigus :

   • L'outil construit un graphe de décodage au niveau du circuit où les nœuds représentent les erreurs et les syndromes.
   • Il échantillonne des sous-graphes aléatoires et les étend jusqu'à identifier un sous-graphe où la matrice d'observable logique $L'$ n'est pas dans l'espace ligne de la matrice de contrôle $H'$ ($L' \notin \text{rowsp}(H')$). Cette condition indique la présence d'une erreur ambiguë au sein de ce sous-graphe.

2. Résolution de l'erreur logique de poids minimal (via MaxSAT) :

   • Pour chaque sous-graphe ambigu identifié, PropHunt utilise une formulation MaxSAT (résolue via les solveurs Z3 et Loandra) pour trouver l'erreur logique de poids minimal.
   • Pour gérer la complexité exponentielle de la conversion des clauses XOR en forme normale conjonctive (CNF), les auteurs utilisent des variables auxiliaires dans une structure arborescente. Cela permet une résolution parallélisée efficace de sous-graphes locaux plutôt qu'une recherche globale, qui serait intractale.

3. Énumération des changements de circuits candidats :

   • Une fois l'erreur logique de poids minimal identifiée, l'outil la mappe en retour vers des erreurs de portes spécifiques dans le circuit SM.
   • Il énumère deux types de modifications pour altérer la propagation des erreurs :
     • Réordonnancement (Reordering) : Changer la séquence dans laquelle un qubit de syndrome interagit avec ses qubits de données connectés.
     • Réordonnancement temporel (Rescheduling) : Changer le timing relatif des qubits de syndrome interagissant avec un qubit de données partagé (en inversant les arêtes dans la représentation interne de graphe dirigé multi-arêtes).

4. Élagage des candidats :

   • Les candidats sont filtrés selon la Validité du Circuit (préservant la commutation des stabilisateurs et garantissant la planifiabilité sans dépendances circulaires) et la Suppression de l'Ambiguïté (vérifiant que le changement résout l'ambiguïté spécifique trouvée).
   • Des vérifications supplémentaires garantissent que le circuit modifié ne crée pas par inadvertance de nouvelles erreurs logiques.

5. Application des changements :

   • Les changements vérifiés sont appliqués au circuit SM. Si plusieurs changements compatibles existent, celui résultant en la profondeur de circuit minimale est sélectionné comme cible d'optimisation secondaire.

3. Contributions Clés

• Nouvelle métrique d'optimisation : Un passage de l'optimisation de la profondeur ou de la $d_{eff}$ vers la minimisation directe du taux d'erreur logique en résolvant l'ambiguïté d'erreur dans le graphe de décodage au niveau du circuit.
• Algorithme Efficace : Une méthode pour trouver les erreurs logiques de poids minimal dans des graphes de niveau circuit en utilisant le MaxSAT parallélisé sur des sous-graphes ambigus, évitant l'intractabilité d'une résolution globale.
• Outil PropHunt : Une implémentation automatisée qui récupère les calendriers conçus à la main pour les codes de surface et optimise les circuits pour lesquels aucun calendrier performant n'est connu.
• Hook-ZNE : Une nouvelle application de l'optimisation intermédiaire de PropHunt pour améliorer l'extrapolation de zéro-bruit (ZNE) pour la FTQC de court terme.

4. Résultats d'Évaluation

Les auteurs ont évalué PropHunt sur une suite de codes QEC, incluant les codes de Surface, les codes Lifted Product (LP) et les codes Random Quantum Tanner (RQT).

• Codes de Surface : PropHunt a réussi à automatiser la découverte du calendrier "N-Z" bien connu, récupérant la performance des circuits conçus manuellement.
• Codes LP et RQT : Pour les codes sans calendriers optimaux connus, PropHunt a réduit les taux d'erreur logique de 2,5x à 4x par rapport aux circuits de "coloration" standards à un taux d'erreur physique de 0,1 %.
• Scalabilité : L'approche MaxSAT par sous-graphe s'est avérée nettement plus traitable que la résolution globale. Pour un code de surface de $d=7$, la résolution globale a expiré (timeout), tandis que l'approche par sous-graphe a résolu le problème en moins de 2 secondes.
• Sensibilité aux erreurs d'inactivité (Idle Error) : L'étude a montré que les légères augmentations de la profondeur de circuit introduites par les optimisations de Prophent sont compensées par la réduction des taux d'erreur logique sur une large gamme de forces d'erreurs d'inactivité matérielles (pertinent pour les systèmes d'atomes neutres et supraconducteurs).

5. Application Hook-ZNE

L'article introduit Hook-ZNE, une application de court terme exploitant la capacité de PropHunt à générer des circuits SM intermédiaires avec des taux d'erreur logique variables pour une distance de code fixe.

• Mécanisme : Au lieu de changer la distance du code (ce qui est coûteux en ressources) ou d'étirer le circuit (ce qui augmente la décohérence), Hook-ZNE utilise les circuits SM sous-optimaux découverts durant le processus d'optimisation pour mettre à l'échelle l'échelle du bruit logique de manière fluide.
• Performance : Comparé au ZNE par mise à l'échelle de la distance (DS-ZNE), Hook-ZNE offre un contrôle du bruit plus fin. Les évaluations montrent que Hook-ZNE réduit l'erreur de 3x à 6x par rapport au DS-ZNE, offrant des ajustements (fits) plus stables pour les valeurs d'espérance avec le même budget de tir (shot budget).

6. Signification et Revendications

L'article affirme que Prophent répond à une lacune critique dans l'espace de conception QEC : l'absence d'outils automatisés prenant en compte la dynamique de propagation des erreurs dans les circuits SM. En allant au-delà des prédicteurs imparfaits comme la profondeur de circuit, Prophent permet la découverte de circuits SM de haute performance pour des codes QEC complexes qui étaient auparavant limités à la conception manuelle ou à la recherche par force brute.

Les auteurs soulignent que leur travail ne prétend pas résoudre tous les défis de la QEC, mais fournit un outil fondamental pour optimiser le "liant" (les circuits SM) qui maintient ensemble les systèmes FTQC. La capacité de générer automatiquement des circuits optimisés pour les familles de codes émergentes (comme LP et RQT) est présentée comme essentielle pour la réalisation pratique de la FTQC à grande échelle. De plus, l'application Hook-ZNE démontre que le processus d'optimisation lui-même produit des artefacts précieux pour la mitigation d'erreurs dans l'ère du court terme.