Optimizing continuous-time quantum error correction for arbitrary noise

技術要約：任意のノイズに対する連続時間量子誤り訂正の最適化

問題提起
量子システムは本質的に環境デコヒーレンスに対して脆弱であり、量子誤り訂正（QEC）を必要とする。標準的なスタビライザー符号は、独立したパウリ誤差に対して堅牢な枠組みを提供するが、複雑で現実的なノイズ環境においては最適とは言えないことが多い。現実世界のノイズは、非マルコフ的であったり、計算部分空間からのリークを引き起こしたり、非パウリ誤差を導入したり、あるいは空間的・時間的な相関を持ったりすることがある。さらに、標準的な離散時間QECモデルは瞬時のリカバリを想定しているが、実際にはノイズは永続的に発生する。このことが、弱ノイズと弱リカバリ操作が同時に発生する連続時間量子誤り訂正（CT-QEC）の枠組みを動機付けている。

CT-QECにおける重要な課題は、測定観測量とリカバリ演算子の選択である。離刻時間QECでは、異なる測定基底が同等の性能を示すことがあるが、CT-QQECにおける弱測定基底と対応する弱ユニタリ補正の選択は、性能に大きく影響する。例えば、スタビライザーを弱く測定し、弱パウリ補正を適用することは、他の測定・補正ペアと比較して劣ったフィデリティをもたらす可能性がある。デバイスレベルの任意のノイズチャネルに対して最適なリカバリ戦略を特定することは、特に困難な最適化問題である。なぜなら、可能なコード空間（部分空間）の集合は非凸なグラスマン多様体を形成するためである。

手法
著者らは、CT-QECの枠組みの中で、量子誤り訂正コード空間と対応する弱リカバリチャネルを同時に最適化するための機械学習（ML）プロトコルを提案している。このアプローチでは、ノイズチャネルを任意の完全正（CP）かつトレース保存（TP）写像として扱うことで、空間および時間における相関を許容している。

1. ニューラルネットワーク・アーキテクチャ： 最適化には、6つの隠れ層（各128ニューロン、ReLU活性化関数）を持つ多層パーセプトロン（MLP）を利用する。ネットワークは、コード空間の表現を入力として受け取り、リカバリチャネルを定義する一連の複素行列を出力する。
2. リカバリチャネルのパラメータ化： CPTP写像の集合は凸集合であるため、出力層はクラウス演算子を生成するようにパラメータ化される。ネットワークは任意の複素行列 $\{G_j\}$ を生成し、これらは強チャネル $R$ のための有効なクラウス演算子 $\{R_j\}$ を形成するように正規化される。その後、恒等チャネルとの凸結合を介して、弱リカバリチャネル $\tilde{R}$ が構築される：$\tilde{R} = (1-\epsilon^2)I + \epsilon^2 R$、ここで $\epsilon = \sqrt{\kappa \delta t}$ である。
3. コード空間の最適化： すべてのコード部分空間の集合はグラスマン多様体を形成しており、これは非凸である。これをナビゲートするために、著者らはリーマン勾配降下法を採用している。コスト関数のユークリッド勾配は、多様体上の現在の点における接空間へと投影される。更新ステップでは、埋め込み空間内を直線に沿って移動し、指数写像の計算負荷を避けるために極分解（特異値分解による）を用いて多様体へと引き戻す（リトラクション）。
4. コスト関数：
   • マルコフ的ノイズ： 目的は、ノイズと強いリカバリ写像の下での、初期の最大もつれ状態 $|\Phi\rangle_{LR}$ と短時間 $\delta t$ 後の状態との間のインフィデリティを最小化することである。これにより、恒等写像という自明な解を防ぎ、コードが裸の物理量子ビットよりも論理状態を長く保護することを保証する。
   • 非マルコフ的ノイズ： 時間相関のあるノイズについては、ノイズとリカバリのアンサンブルにおける、時間平均されたインフィデリティを最小化する。

主な結果
本プロトコルは様々なノイズモデルでテストされ、MLによって最適化されたコードとリカバリを、標準的なスタビライラー符号および裸の物理量子ビットと比較した：

• マルコフ的ビット反転ノイズ： 均一なビット反転ノイズを受ける3量子ビットに対し、ニューラルネットワークは標準的な $[[3, 1, 3]]$ ビット反転符号を再発見し、この対称なノイズに対してそれが最適であることを経験的に確認した。
• 振幅減衰および相関デフェージング： 振幅減衰と空間的に相関したデフェージングの下で、1つの論理量子ビットを5つの物理量子ビットでエンコードする場合、MLアプローチは標準的な $[[5, 1, 3]]$ 符号および特定の誤りシンドロームに特化した修正版の両方を大幅に上回った。
• リーク誤差： 外部状態へのリークが発生する2物理量子ビットのシステムにおいて、ML最適化リカバリはリーク誤差の軽減に成功し、エンコードされていない物理量子ビットよりも優れた性能を示した。
• キュトリット・システム： 本手法は、2つの物理キュトリットに論理量子ビットをエンコードすることに成功し、量子ビットベースのシステムを超えた柔軟性を実証した。
• 非マルコフ的ノイズ：
  • $1/f$ ノイズ（連続時間ハミルトニアン回転）に対して、ML最適化されたコードとリカバリは、Bacon-Shor符号および裸の物理量子ビットを大幅に上回った。
  • 定数ハミルトニアン誤差（高度に非マルコフ的なモデル）に対し、$1/f$ ノイズで訓練されたコードは、特定の再訓練なしに $[[4, 1, 1, 2]]$ 符号および裸の物理量子ビットを上回る汎化性能を示し、過学習に対する堅牢性を示唆した。

意義と主張
本論文は、この機械学習駆動型のアプローチが、標準的なスタビライザー符号が最適ではない、非マルコフ的または相関のあるエラーを含む、任意のデバイスレベルのノイズに特化したリカバリスキームおよびコード空間の発見を可能にすると主張している。連続時間領域を活用することで、頻繁な測定によってバスのメモリカーネルを遮断し、量子ゼノン効果を利用して非マルコフ的ノイズを抑制する。

著者らは、得られるクラウス演算子が任意であり、非局所的であったり物理的な実装が困難であったりする可能性があることを強調しているが、本フレームワークは理論的な上限および設計ツールを提供するものであるとしている。将来の研究では、より実用性を高めるために、デバイスレベルの結合情報が損失関数に組み込まれる可能性があることを示唆している。このプロトコルは、小規模なシステムのためにコードを設計するための手法として提示されており、これらは後に、より高いレベルの誤り訂正を達成するために標準的な符号と結合させることができる。本研究は、即時の実験的実現を主張するものではなく、CT-QEC戦略を最適化するための計算フレームワークを確立するものである。