Leveraging Correlated Decoding for Bias-Tailored Compass Codes

Sintesi Tecnica: Sfruttare la Decodifica Correlata per Codici Bussola Adattati al Bias

Enunciato del Problema
La correzione degli errori quantistici (QEC) è essenziale per il calcolo quantistico tollerante ai guasti, tuttavia la sua efficacia è spesso limitata dalla discrepanza tra la progettazione del codice e le caratteristiche specifiche del rumore dell'hardware. Molte piattaforme fisiche, inclusi ioni intrappolati e qubit superconduttori, esibiscono un rumore fortemente distorto (biased) in cui gli errori di sfasamento (Pauli-Z) si verificano molto più frequentemente degli errori di inversione di bit (Pauli-X). Sebbene i codici adattati al bias, come i codici di superficie deformati da Clifford e i codici bussola allungati, abbiano dimostrato soglie elevate sotto rumore distorto in modelli idealizzati di "capacità del codice", le loro prestazioni sotto rumore realistico a "livello di circuito" rimangono una sfida. Inoltre, i decodificatori standard di Corrispondenza Perfetta di Peso Minimo (MWPM) spesso non riescono a sfruttare appieno le correlazioni tra gli errori (ad esempio, errori Y che causano simultaneamente sindromi X e Z) o le asimmetrie specifiche introdotte dalle deformazioni di Clifford, in particolare quando gli iperarchi nel grafo di decodifica sono semplificati per evitare la complessità computazionale.

Metodologia
Gli autori investigano le prestazioni dei codici bussola allungati deformati da Clifford sotto rumore distorto a livello di circuito. Lo studio si concentra su una specifica classe di codici in cui gli operatori di gauge sono fissati secondo un parametro di allungamento $\ell$, combinati con una deformazione di Clifford ZXXZ$\square$ (applicazione di porte Hadamard a qubit specifici per modificare le basi degli stabilizzatori).

La ricerca impiega il seguente quadro metodologico:

1. Simulazione di Codici e Circuiti: Gli autori simulano codici bussola allungati CSS e deformati ZXXZ$\square$ con distanze $d \in \{11, 13, 15, 17, 19\}$ e parametri di allungamento $\ell \in \{2, 3, 4, 5, 6\}$. Utilizzano il simulatore Stim per generare circuiti di estrazione delle sindromi, inclusi $d$ cicli di estrazione ripetuta delle sindromi.
2. Modello di Rumore: Viene implementato un modello di rumore Ibrido Distorto-Depolarizzante (HBD). Questo modello applica canali Pauli distorti ai qubit in idle e alle porte CZ che preservano il bias, mentre applica canali depolarizzanti alle porte non preservanti il bias (CNOT, Hadamard) e agli errori di preparazione e misurazione dello stato (SPAM).
3. Strategie di Decodifica: Lo studio confronta tre approcci di decodifica:
   • MWPM Standard: Il decodificatore di base che semplifica il grafo di corrispondenza ignorando gli iperarchi.
   • MWPM Correlato CSS: Un decodificatore a due stadi per simulazioni di capacità del codice che decodifica gli errori X e Z in sequenza, aggiornando i pesi degli archi basandosi sulle probabilità condizionate derivate dalle correlazioni degli errori Y e dal bias del rumore ($\eta$).
   • MWPM Correlato PyMatching: Un decodificatore a livello di circuito che utilizza il Modello di Errore del Rivelatore (DEM) per catturare le correlazioni. Esegue un processo MWPM a due passaggi in cui il primo passaggio identifica i meccanismi di errore (iperarchi) per aggiornare i pesi del grafo di corrispondenza per il secondo passaggio, gestendo efficacemente gli errori correlati senza semplificare prematuramente la topologia del grafo.

Contributi e Risultati Chiave
Il documento presenta simulazioni a livello di circuito che valutano le soglie di questi codici su un intervallo di bias di rumore ($\eta$).

• Superiorità della Decodifica Correlata: Il risultato principale è che la decodifica correlata migliora costantemente le soglie per tutti i bias di rumore rispetto all'MWPM standard sotto rumore a livello di circuito. Questo miglioramento è significativamente più pronunciato a livello di circuito rispetto al livello di capacità del codice, poiché le simulazioni di circuito introducono correlazioni più complesse che il decodificatore correlato PyMatching può sfruttare.
• Impatto di Allungamento e Deformazione:
  • Per i codici bussola allungati CSS, il guadagno relativo dalla decodifica correlata è massimo per codici con alto allungamento ($\ell=6$), raggiungendo un guadagno di soglia relativo fino al 35% a basso bias ($\eta=0.5$).
  • Per i codici deformati ZXXZ$\square$, il guadagno assoluto della soglia aumenta con il bias, ma il guadagno relativo migliora con l'allungamento attraverso tutti i bias.
  • Degnamente nota, il vantaggio della deformazione ZXXZ$\square$ osservato nelle simulazioni di capacità del codice (dove superava i codici CSS ad alto bias) viene perso a livello di circuito. Gli autori attribuiscono ciò alla miscela di porte preservanti il bias (CZ) e depolarizzanti (CNOT, H) nei circuiti di estrazione delle sindromi, che satura il bias effettivo e rompe le regioni simmetriche che in precedenza favorivano i codici deformati.
• Fiducia del Decodificatore: L'analisi del gap complementare firmato indica che i decodificatori correlati diventano più sicuri negli esperimenti di memoria Z all'aumentare del bias. Per i codici ZXXZ$\square$, sia le memorie X che Z mostrano una maggiore fiducia con un bias più elevato.

Significato e Affermazioni
Il documento afferma che la decodifica correlata è uno strumento critico per massimizzare l'utilità dei codici adattati al bias in ambienti hardware realistici. Nello specifico:

• Dimostra che gli stabilizzatori asimmetrici (trovati nei codici bussola allungati) combinati con le deformazioni di Clifford amplificano l'utilità della decodifica correlata, permettendo al decodificatore di sfruttare correlazioni strutturate da stabilizzatori ad alto peso.
• Il lavoro evidenzia che, sebbene le deformazioni di Clifford possano migliorare le soglie, i loro benefici possono essere annullati a livello di circuito se il modello di rumore include porte non preservanti il bias.
• Gli autori suggeriscono che la decodifica correlata potrebbe offrire benefici oltre al semplice aumento delle soglie, potenzialmente aiutando a circumvenire le "riduzioni di distanza" causate da confini fragili nei codici deformati da Clifford, un problema noto nei regimi di rumore distorto.

Lo studio conclude che, sebbene l'adattamento al bias sia efficace, il co-progettazione di codici e decodificatori correlati è necessario per realizzare pienamente soglie elevate sotto rumore distorto a livello di circuito.