Optimizing continuous-time quantum error correction for arbitrary noise

Sintesi Tecnica: Ottimizzazione della Correzione degli Errori Quantistici in Tempo Continuo per Rumore Arbitrario

Definizione del Problema
I sistemi quantistici sono intrinsecamente suscettibili alla decoerenza ambientale, il che rende necessaria la Correzione degli Errori Quantistici (QEC). Sebbene i codici stabilizzatori standard offrano un framework robusto per correggere errori Pauli indipendenti, essi spesso si rivelano subottimali per ambienti di rumore complessi e realistici. Il rumore reale può essere non-markoviano, causare perdite di informazione (leakage) fuori dallo spazio computazionale, introdurre errori non-Pauli o presentare correlazioni spaziali e temporali. Inoltre, il modello standard di QEC a tempo discreto assume una correzione istantanea, mentre nella pratica il rumore è perpetuo. Ciò motiva il framework della Correzione degli Errori Quantistici in Tempo Continuo (CT-QEC), dove rumore debole e operazioni di recupero deboli avvengono simultaneamente.

Una sfida critica nella CT-QEC è la selezione degli osservabili di misura e degli operatori di recupero. A differenza della QEC a tempo discreto, dove diverse basi di misura possono offrire prestazioni equivalenti, la scelta della base di misura debole e del corrispondente recupero unitario debole nella CT-QEC impatta significativamente sulle prestazioni. Ad esempio, la misura debole degli stabilizzatori e l'applicazione di correzioni Pauli deboli possono risultare in una fedeltà subottimale rispetto ad altre coppie misura-correzione. Identificare la strategia di recupero ottimale per canali di rumore arbitrari a livello di dispositivo rimane un problema di ottimizzazione difficile, particolarmente perché lo spazio dei possibili spazi di codice (sottospazi) forma una varietà di Grassmann non convessa.

Metodologia
Gli autori propongono un protocollo di apprendimento automatico (ML) per ottimizzare simultaneamente lo spazio del codice di correzione dell'errore quantistico e il corrispondente canale di recupero debole all'interno del framework CT-QEC. L'approccio tratta il canale di rumore come una mappa arbitraria completamente positiva e preservante la traccia (CPTP), permettendo correlazioni sia nello spazio che nel tempo.

1. Architettura della Rete Neurale: L'ottimizzazione utilizza un Perceptron Multistrato (MLP) con sei strati nascosti (128 neuroni ciascuno, attivazione ReLU). La rete riceve in input una rappresentazione dello spazio del codice e produce in output un insieme di matrici complesse che definiscono il canale di recupero.
2. Parametrizzazione dei Canali di Recupero: Poiché l'insieme delle mappe CPTP è convesso, lo strato di output è parametrizzato per generare operatori di Kraus. La rete produce matrici complesse arbitrarie $\{G_j\}$, che vengono normalizzate per formare operatori di Kraus validi $\{R_j\}$ per un canale forte $R$. Il canale di recupero debole $\tilde{R}$ viene quindi costruito tramite una combinazione convessa con il canale identità: $\tilde{R} = (1-\epsilon^2)I + \epsilon^2 R$, dove $\epsilon = \sqrt{\kappa \delta t}$.
3. Ottimizzazione dello Spazio del Codice: L'insieme di tutti i sottospazi di codice forma la varietà di Grassmann, che è non convessa. Per navigare questa struttura, gli autori impiegano un algoritmo di discesa del gradiente riemanniano. Il gradiente euclideo della funzione di costo viene proiettato sullo spazio tangente della varietà al punto corrente. Il passo di aggiornamento prevede il movimento lungo una linea retta nello spazio di embedding e la successiva ritrazione sulla varietà tramite decomposizione polare (tramite decomposizione ai valori singolari), evitando la spesa computazionale delle mappe esponenziali.
4. Funzioni di Costo:
   • Rumore Markoviano: L'obiettivo è minimizzare l'infedeltà tra lo stato massimamente entangled iniziale $|\Phi\rangle_{LR}$ e lo stato dopo un breve intervallo $\delta t$, soggetto a rumore e a una mappa di recupero forte. Ciò evita la soluzione banale della mappa identità e assicura che il codice protegga gli stati logici più a lungo rispetto ai qubit fisici nudi.
   • Rumore Non-Markoviano: Per il rumore con correlazione temporale, la funzione di costo minimizza l'infedeltà media nel tempo su un insieme di traiettorie di rumore e recupero.

Risultati Chiave
Il protocollo è stato testato su vari modelli di rumore, confrontando il codice e il recupero ottimizzati tramite ML con i codici stabilizzatori standard e i qubit nudi:

• Rumore di Bit-Flip Markoviano: Per tre qubit soggetti a rumore di bit-flip uniforme, la rete neurale ha riscoperto lo standard codice di bit-flip $[[3, 1, 3]]$, confermando empiricamente la sua ottimalità per questo rumore simmetrico.
• Smorzamento di Ampiezza e Dephasing Correlato: Per cinque qubit che codificano un qubit logico sotto smorzamento di ampiezza e dephasing spazialmente correlato, l'approccio ML ha superato significativamente sia il codice $[[5, 1, 3]]$ standard sia una versione modificata adattata a specifici sindromi di errore.
• Errori di Leakage: In un sistema a due qubit fisici dove avviene il leakage verso uno stato esterno, il recupero ottimizzato tramite ML ha mitigato con successo gli errori di leakage, superando i qubit fisici non codificati.
• Sistemi Qutrit: Il metodo ha codificato con successo un qubit logico in due qutrit fisici, dimostrando flessibilità oltre i sistemi basati su qubit.
• Rumore Non-Markoviano:
  • Per il rumore $1/f$ (rotazioni hamiltoniane in tempo continuo), il codice e il recupero ottimizzati tramite ML hanno superato significativamente il codice Bacon-Shor e i qubit nudi.
  • Per errori hamiltoniani costanti (un modello altamente non-markoviano), il codice addestrato sul rumore $1/f$ si è generalizzato bene, superando il codice $[[4, 1, 1, 2]]$ e i qubit nudi senza un nuovo addestramento specifico, suggerendo robustezza contro l'overfitting.

Significatività e Rivendicazioni
L'articolo sostiene che questo approccio guidato dal ML consente la scoperta di schemi di recupero e spazi di codice adattati specificamente ad arbitrarie componenti di rumore a livello di dispositivo, inclusi errori non-markoviani e correlati, dove i codici stabilizzatori standard sono subottimali. Sfruttando il regime a tempo continuo, il metodo sfrutta l'effetto Zeno quantistico per sopprimere il rumore non-markoviano attraverso il troncamento del kernel di memoria del bagno tramite misurazioni frequenti.

Gli autori sottolineano che, sebbene gli operatori di Kraus risultanti siano arbitrari e possano essere non-locali o difficili da implementare fisicamente, il framework fornisce un limite superiore teorico e uno strumento di progettazione. Suggeriscono che le informazioni sull'accoppiamento a livello di dispositivo potrebbero essere incorporate nella funzione di perdita in lavori futuri per migliorarne la praticità. Il protocollo è presentato come un metodo per l'ingegneria di codici per piccoli sistemi, che potrebbero successivamente essere concatenati con codici standard per raggiungere livelli più elevati di correzione degli errori. Il lavoro non rivendica una immediata realizzazione sperimentale, ma stabilisce un framework computazionale per l'ottimizzazione delle strategie di CT-QEC.