技術要約：論理量子回路のための仮想エラー・キャンセル（Virtual Error Cancellation）

問題定義

初期のフォールトトレラント量子プロセッサは、中程度の符号距離（code distance）で動作することになり、必然的に無視できない残留論理エラー率を保持することになります。符号距離を大きくすることでこれらのエラーを抑制できますが、それは多大なハードウェア・オーバーヘッドを伴います。論理量子エラー緩和（Logical quantum error mitigation）は、追加の物理量子ビットを使用せずにこれらの残留エラーを抑制する経路を提供しますが、既存の手法には主に3つの制約があります。

1. ノイズ特性評価： 多くの手法（例：確率的エラー・キャンセル（PEC））は、詳細な事前のノイズ・トモグラフィを必要とします。
2. 回路修正： 能動的なPECのような技術は、実行中に準確率操作や修正された回路を挿入することを必要とします。
3. サンプリング・オーバーヘッド： 緩和処理はしばしば大幅なサンプリング・コストを伴います。シンドロームに基づくポストセレクション（事後選択）は回路修正を回避しますが、データを破棄することによる系統的なバイアスを導入します。逆に、標準的なシンドローム認識型PECはバイアスはありませんが、多くの場合、高いサンプリング・オーバーヘッド（論理PECでは $\eta \approx 4$、単一デコーダのアプローチでは $\eta \approx 2$ に比例）に苦しみ、かつノイズ特性評価を必要とします。

本論文は、事前のノイズ特性評価、回路修正、またはポストセレクションに伴う系統的なバイアスを必要とせずに、ユニバーサル量子回路における論理バイアスを排除するという課題に取り組んでいます。

手法：仮想エラー・キャンセル（VEC）

著者らは、標準的なフォールトトレラント実行中に生成されたシンドローム記録のみを使用して、完全に古典的なポストプロセッシング（後処理）において論理エラー緩和を行う手法である**仮想エラー・キャンセル（Virtual Error Cancellation: VEC）**を提案しています。

基本原理

1. ポストプロセッシングによる重み付け（Reweighting）： ショットを破棄（ポストセレクション）したり回路を修正（PEC）したりする代わりに、VECは記録されたシンドローム $s_i$ に基づいて、各ショットに古典的なフィルタ・ウェイト $w(s_i)$ を割り当てます。推定値は加重平均として構成されます：$\langle O \rangle_{\text{VEC}} = N^{-1} \sum w(s_i) m_i$。
2. 無偏性条件： 推定値が無偏であることを保証するために、重みは、シンドローム平均された論理チャネルがアイデンティティに減少するという要件から導かれる2つの条件を満たす必要があります：
   • トレース保存（Trace Preservation）： $E_s[w(s)] = 1$。
   • エラー・キャンセル（Error Cancellation）： すべての論理エラー・チャネル $\alpha$ に対して $E_s[w(s)p_\alpha(s)] = 0$ である（ここで $p_\alpha(s)$ は条件付きエラー確率）。
   • これにより、平均して正の寄与を打ち消すために、エラーが発生しやすいシンドロームに対して負の重みが必要となります。
3. デュアル・デコーダ・アーキテクチャ： すべてのシンドロームに対して正確な事後確率を計算することは（$\#P$-hardであるため）困難であるため、著者らは2つのデコーダを用いた粗粒度プロトコルを導入しています：
   • リアルタイム・デコーダ ($D_{rt}$): 実験中にパウリ・フレームの決定とフィードフォワードに使用される、高速で低レイテンシのデコーダ（例：最小重み完全マッチング）。
   • オフライン・デコーダ ($D_{off}$): ポストプロセッシング中に実行される、高複雑度で高精度なデコーダ（例：最大尤度法またはテンソルネットワーク）。
   • セクター分割（Sector Partitioning）： シンドロームは、$D_{rt}$ と $D_{off}$ の一致または不一致に基づくセクターに分割されます。コンセンサス・セクター（$D_{rt} = D_{off}$）には、エラーが抑制されたショットの大部分が含まれます。不一致セクター（$D_{rt} \neq D_{off}$）は、リアルタイム・デコーダが誤った可能性が高いショットを特定します。
4. ノイズ学習： 別個のキャリブレーション回路を用いる代わりに、VECは格納されたシンドローム履歴から、シンドローム忠実度の線形反転を用いて基礎となる故障分布（検出器エラーモデル）を直接学習します。これにより、実験データのみから緩和ウェイトを生成することが可能になります。

理論的枠組み

本論文は、「ギャップレス（gapless）」な領域（競合する論理エラー鎖が等しい最小重みを持つことが一般的であり、結合表面符号デコーディングにおいてよく見られる）において、最適なサンプリング・オーバーヘッドは未緩和の論理エラー率に対して線形にスケールすること（$C^* - 1 = O(p_L)$）を確立しています。これは、大きな距離の極限において、オーバーヘッド係数が $\eta \to 1$ になることを意味し、標準的な論理PEC（$\eta \approx 4$）や単一デコーダのシンドローム認識型PEC（$\eta \approx 2$）を大幅に上回ります。

主な貢献

1. 仮想エラー・キャンセル・プロトコル： 事前のノイズ特性評価や回路修正を必要とせず、完全に古典的なポストプロセッシングにおいて動作する、論理エラー緩和の完全なフレームワーク。
2. デュアル・デコーダの実装： リアルタイム・デコーダとオフライン参照デコーダを組み合わせて粗粒度なセクターを定義する、スケーラブルなスキーム。このアプローチは、事後的なベイズ推論の計算コストを回避しながら、ほぼ最適な統計的コントラストを維持します。
3. エンドツーエンドのノイズ学習： 検出器エラーモデルと論理エラー率をシンドローム履歴から直接学習する方法であり、個別のキャリブレーション実験を不要にします。
4. 理論的境界：
   • 最適なシンドローム分解フィルタがサンプリング・オーバーヘッドを最小化することを証明。
   • デュアル・デコーダによる粗粒度プロトコルが、この理論的最適値に接近することを示証。
   • サンプリング・オーバーヘッドのスケーリングを導出し、シンドローム認識型PECに対する二次的な優位性と、有利な大きな距離の極限における $\eta \approx 1$ への減少を示しました。
5. 残留エラー分析： 有限サンプルによるノイズ特性評価の不正確さによる残留バイアスが、合意エラー抑制比 $\alpha$ によって抑制されることを示す理論的導出を行い、本手法が物理的なPECやポストセレクションよりもキャリブレーション誤差に対して堅牢であることを示しました。

結果

コード容量デポラリゼーション・ノイズ下での距離7の回転表面符号（rotated surface code）を用いて数値シミュレーションが行われました：

• エラー抑制： フルスタックのデュアル・デコーダ・アルゴリズムは、実験的に達成可能な設定において、デコードされた論理エラー率と比較して、残留論理エラー率を3桁以上減少させました。
• ポストセレクションとの比較： 本手法は、2つのデコーダの一致に基づくポストセレクションと比較して、2桁以上優れた抑制を実現しました。
• サンプリング・オーバーヘッド： 余剰サンプリング・オーバーヘッド比 $\eta = (C^* - 1)/p_L$ は、距離 $d=7$ において $\approx 1.3$ に近づきました。これは、単一デコーダのシンドローム認識型PECの天井である $\eta=2$ や、標準的な論理PECの $\eta=4$ よりも大幅に低い値です。
• ノイズ学習の精度： 学習された物理および論理エラー率は、複数のノイズ実現に対して高い忠実度（中央値相対誤差 $< 0.35\%$）を示し、シンドロームデータのみから学習することの実現可能性を検証しました。

意義と主張

本論文は、シンドローム記録を、量子実行後のユニバーサルな計算推定値を修正するためのリソースとして確立することを主張しています。緩和処理を完全にポストプロセッシングへと移行させることで、VECはエラー訂正のワークフローを、リアルタイムのハードウェア・レイテンシの制約から切り離します。

著者らは、VECを、最初の2つの制約（ノイズ学習と回路修正）を完全に回避する解決策として位置づけています。彼らは、シンドローム記録に含まれる豊かな情報と、デュアル・デコーダの差別的な能力を活用することで、最適なサンプリング効率を実現しつつ、ポストセレクションの系統的なバイアスを排除できると主張しています。結果は、VECが、符号距離のスケールアップに伴う厳しいハードウェア・オーバーヘッドや、能動的なエラー・キャンセル回路の実験的複雑さを回避しつつ、初期のフォールトトレラント・アルゴリズムがより高い忠実度を達成できることを示唆しています。

本研究は、スケーラブルな量子コンピューティングに向けた基礎的なステップとして提示されています。著者らは、分析がパウリ・ノイズモデルに焦点を当てているものの、本フレームワークは回路レベルのノイズにも一般化可能であり、符号距離、デコーダのペアリング、およびサンプリング予算を共同最適化するために既存の量子コンパイラに統合できると述べています。