Preparation Changes the Cost of Calibration for Quantum Control

技術要約：準備工程が量子制御のキャリブレーション・コストを変化させる

問題提起
量子誤り訂正（QEC）は、物理的および論理的なノイズを明らかにするシンドロームおよび検出記録を生成する。これらの記録を専用のプローブ準備のオーバーヘッドを避けるために再利用することは可能だが、制御シーケンスを最適化するために必要な情報の取得速度が遅すぎる場合がある。具体的には、好ましい制御が、頻繁に発生する低ウェイトのシンドローム事象には「見えない」ノイズ相関に依存しているシナリオでは、エンコードされたQEC記録のみに頼ると、禁止的なサンプル複雑性（sample complexity）を招く可能性がある。本論文は、キャリブレーション取得のコストと、有限の総予算（時間／リソース）内での保護されたタスクの実行コストとの間のトレードオフに対処する。

手法
著者は、ガウス型デフェージングモデルの下での、固定された保護された論理アイドル・タスクに対する2つのキャリブレーション経路を比較している：

1. エンコードされたキャリブレーション（Encoded Calibration）： 未知の論理的／参照入力を用いて、標準的なQECサイクルを使用する。システムは、シンドローム記録と回収された論理出力から学習する。
2. プロダクト・プローブ・キャリブレーション（Product Probe Calibration）： 同一のシンドローム抽出回路の前に、プロダクト状態（具体的にはデータ量子ビット上の$|+\rangle$状態）の専用準備を使用する。この経路は、制御に関連する相関をより頻繁に露出させるために、入力準備を変更する。

研究は、回転させた9量子ビット表面符号を用い、ノイズ共分散が安定したラベル $\theta \in \{+1, -1\}$ に依存する特定の相関デフェージングモデルに焦点を当てている。制御決定には、「アイドル」アクションと「$X_1$ 共役（conjugation）」アクションの選択が含まれる。著者は、ノイズモデルを識別し、最適な制御を決定するために必要な情報理論的コスト（カルバック・ライブラー情報量で測定）を分析している。

主要な貢献および理論的知見

• シンドロムのマッチングと学習の遅延： 特定のノイズモデルとリカバリ・スキームを用いた場合、主要な次数のシンドローム率（単一エラー事象）は両方のノイズモデルで同一である（$\omega_{+,a,s} = \omega_{-,a,s}$）ことを著者は示している。その結果、標準的なシンドローム記録からの情報獲得は $O(\lambda^2)$ でスケールする（ここで $\lambda$ は位相分散）。固定されたエラー確率までモデルを識別するには、$N = \Omega(\lambda^{-2})$ 回のサイクルが必要となる。
• 稀な事象の役割： 制御に関連する相関は、主に稀な高次エラーセクター（具体的には特定のスタビライザーを含む2エラーセクター）を通じて現れる。エンコードされたキャリブレーションでは、これらの事象は稀であり、逆二乗のサンプル複雑性をもたらす。
• プロダクト・プローブの優位性： プロダクト状態（具体的には特定の共分散特性を持つ一対の量子ビット上の$|+\rangle$）を準備することで、同じシンドローム抽出回路が関連する相関を $\Theta(\lambda)$ の確率で露出させる。これにより、固定エラー識別のためのサンプル複雑性は、逆二乗から逆線形（$n = \Theta(\lambda^{-1})$）へと変化する。
• コストの分離： 本論文は、キャリブレーション取得時間と実行時間の両方を考慮した「タスク・コスト・バウンド」を導出している。ノイズが十分に弱い場合、プロダクト・プローブによって提供されるキャリブレーション・サイクルの削減が、そのオーバーヘッド（リセット、準備、読み出し）を返済できることを証明している。これにより、プロダクト・プロトコルがエンコードされたキャリブレーション経路を厳密に排除する総予算内で保護されたタスクを可能にする「分離予算（separating budget）」が生じる。

結果

• 理論的境界： 著者は、マッチング条件下において、最大 $N$ サイクルに制限されたあらゆるシンドロームのみの適応実験のKLダイバージェンスが $K_{syn} N \lambda^2$ で抑えられることを示す定理を確立している。対照的に、プロダクト・プローブは試行あたり $\Theta(\lambda)$ のKLダイバージェンスを達成する。
• 数値的デモンストレーション： $\lambda = 10^{-3}$、サービス深度 $L=4600$、エラー許容度 $D=0.01$ とした具体的な例を用いた場合：
  • エンコードされたキャリブレーションに必要な総コストの下限は $> 1.14 \times 10^6 \tau_c$ （ここで $\tau_c$ はサイクル持続時間）である。
  • プロダクト・プローブプロトコル（$n=10^4$ のプローブ）は、$< 2.05 \times 10^5 \tau_c$ の構成的な総コスト上限を持つ。
  • 固定予算 $2.5 \times 10^5 \tau_c$ において、プロダクト・プロトコルは成功が保証される（そのコスト境界が予算を下回っているため）一方で、エンコードされたキャリブレーションは除外される（その必要コストが予算を超えているため）。表示されている値は、実測コストではなく理論的境界である。
• 堅牢性： ノイズが弱まる（$\lambda \to 0$）につれて、予算が適切にスケールする限り（エンコードされた場合は $B \propto \lambda^{-2}$、プロダクト・プローブの場合は $B \propto \lambda^{-1}$）、この分離は持続する。結果は、不完全なパルスや特定のフォールトモデルが存在する場合でも、記録の忠実度が十分に高ければ成立する。

意義および主張
本論文は、量子制御のキャリブレーションの効率性は、学習可能性（learnability）単独ではなく、保護されたタスクを可能にするために必要な総コスト（キャリブレーション ＋ 実行）によって判断されるべきであると主張している。これは、プロダクト・プローブによる準備を変更することが、同じ抽出ハードウェアを使用している場合でも、制御に関連する相関のサンプル複雑性を根本的に変え得ることを示している。

著者は、これはプロダクト・プローブが常に優れているという一般的な主張ではなく、制御に関連する相関が頻繁なシンドロームから隠されている（「マッチング」により）特定の領域において、専用のプロダクト・プローブが、QEC記録を再利用することよりもコスト効率が高いという具体的なデモンストレーションであることを強調している。本研究は、既存の効率的なパウリ・ノイズ特性評価や量子メモリからの学習の利点を補完するものであり、特定の制御決定の取得コストに焦点を当てている。

限界と範囲

• 理論的境界については、理想的なシンドローム抽出とリカバリを仮定しているが、数値的な証明には特定のパルス不完全性が含まれている。
• 「マッチング」条件（主要なシンドローム率が同一である条件）は、特定の理論的構成である。論文では、他のコードやノイズモデルでは、頻繁なシンドロームが相関を直接明らかにする可能性があることも述べている。
• 結果は、キャリブレーションおよびサービス中にノイズのラベルが安定していることに依存しており、オンライン・トラッキングを必要とする時間依存のドリフト・ノイズについては扱っていない。
• 本研究は、総コスト比をダイバージェンスに対して最適化することを目的としたものではなく、2つの経路が分離する予算区間の存在を確立することを目的としている。