Gap-Priced $|T\rangle$-States: Dynamic $|T\rangle$ Post-Selection and Budget-Aware Factory Provisioning

技術要約: Gap-Priced |𝑇⟩-States (GP|𝑇⟩-S)

問題提起
表面符号を用いた誤り耐性量子計算（FTQC）において、マジック $|T\rangle$ 状態の準備は、量子ビット数とレイテンシの両面で支配的なコストとなる。現在の手法では、通常、$|T\rangle$ 状態の生成を静的にプロビジョニングしている。すなわち、培養（cultivation）（確率的で空間効率は高いが、忠実度が変動する手法）か、蒸留（distillation）（決定的だが空間集約的な手法）のいずれかである。既存の格子手術スケジューラは、これらの手法を固定された入力として扱うため、プログラムの全 $|T\rangle$ エラー予算の大部分が未使用のまま残されてしまうことが多い。このような静的なプロビジョニングは、実行時間、空間オーバーヘッド、およびエラー率の間のトレードオフを最適化できないという問題を引き起こす。具体的には、培養における静的なギャップ・カットオフは利用可能なはずの状態を破棄してしまい、一方で静的なファクトリ割り当ては、プログラムの実際の誤差予算の余裕（slack）を無視して、ワーストケースの忠実度要件を満たすためにリソースを過剰にプロビジョニングしてしまう。

手法
著者らは、培養のポストセレクション、蒸り留めのファクトリ割り当て、および格子手術スケジューリングを、グローバルな $|T\rangle$ エラー予算 ($\epsilon$) の下で共同最適化するシステム、Gap-Priced |𝑇⟩-States (GP|𝑇⟩-S) を提案する。このシステムは、以下の3つの統合されたメカニズムを通じて動作する：

1. 動的な培養ポストセレクション:
   固定のギャップ・カットオフを用いる代わりに、GP|𝑇⟩-S は、残りのエラー予算に基づいて培養された状態の受理基準を動的に調整する。

   • 忠実度推定: システムは、デコーダから報告される補完的ギャップ（最も可能性の高い訂正と、次に可能性の高い訂正との間の対数尤度差）を、状態の忠実度のプロキシ（代理指標）として使用する。モンテカルロ・シミュレーションから導出されたルックアップテーブルにより、ギャップ値から論理エラー率（LER）へのマッピングを行う。
   • 予算を考慮したスケジューリング: スケジューラは $|T\rangle$ 状態を消費するにつれて、残りの予算 ($\epsilon_{rem}$) を追跡する。予算に余剰がある場合、ギャップ・カットオフを下げて、低忠実度だが高速な状態を受け入れることで、予算の余裕を速度へと変換する。予算が逼迫している場合、カットオフを上げて忠実度を確保する。これにより、静的なカットオフでは拒絶されるはずの状態であっても、残りのプログラムステップに対して十分であれば受け入れることが可能になる。

2. ファクトリの特性評価とカタログ:
   著者らは、15-to-1 蒸留ファクトリが $p_{out} \approx 35p^3$ の不純度を出力するという標準的な近似に対し、異議を唱えている。密度行列シミュレーションを通じて、割り当てに関連する符号距離において、出力不純度は数桁変化し、タイル次元 ($d_x, d_z$) に大きく依存することを示した。

   • 培養ファクトリ: PureMagicに着想を得て、本システムは 15-to-1 蒸留ファクトリのルーティングチャネル内に培養プロセスを組み込んだ「培養ファクトリ」を導入する。これは、欠陥のある物理的 $T$ インジェクションを培養された状態に置き換えるものであり、単一層のフットプリントでありながら、二層の蒸留スキームと同等の忠実度を実現する。
   • ファクトリ・カタログ: サイズ ($d_x, d_z$)、生成率 ($\tau$)、および出力不純度 ($p_{out}$) によってファクトリを特性化したカタログが生成される。

3. 動的計画法アロケータ:
   GP|𝑇⟩-S は、ファクトリの割り当てとギャップ・カットオフの選択を、結合最適化問題として定式化する。

   • パレート図の構築: 動的計画法アルゴリズムを用いて、総物理量子ビット数 ($q$)、生成率 ($r$)、および不純度加重出力率 ($\phi$) の3つの指標に基づく、有効なファクトリ構成のパレート図を計算する。
   • ヒューリスティック・ソルバー: 正確な DP の計算時間が数分かかることを軽減するため、有界ナップサックに基づくヒューリスティック・アロケータを提供する。これは探索時に明示的な配置次元を排除し、その後、貪欲法で具体的なポート割り当てを解決することで、オーダー単位で高速かつ近似的に最適に近い結果を実現する。

主な貢献

• ギャップと忠実度のマッピング: 培養された状態の補完的ギャップを忠実度推定値に変換する推定手法を提供し、動的なポストセレクションを可能にした。
• 動的スケジューラ: 残りのエラー予算に基づいて培養のギャップ・カットオフを動的に調整することで、忠実度と速度をトレードオフする格子手術スケジューラ。
• 共同最適化された割り当て: 実行時間を最小化するか、あるいはエラー予算を超過することなく時空ボリュームを最小化するために、ギャップ・カットオフとファクトリ構成（サイズと数）を同時に最適化する動的計画法アロケータ。
• 精緻化されたファクトリ特性評価: $35p^3$ 近似が実用的なサイズにおいてしばしば不正確であることを示す、距離分解された 15-to-1 ファクトリの特性評価、および、より低い空間コストで高い忠実度を実現する「培養ファクトリ」の導入。

実験結果
システムは、16 個のベンチマーク（Ising, QAOA, KNN, QFT 回路を含む）を用い、$T$ カウントが $1.4 \times 10^4$ から $8.2 \times 10^5$ の範囲において、2 つのエラー予算 ($\epsilon = 10^{-3}$ および $\epsilon = 10^{-5}$) の下で評価された。

• ベースラインとの比較: GP|𝑇⟩-S は、(1) 静的なギャップ・カットオフを持つ培養のみのアプローチ、および (2) 培養を行わない単一ファクトリのアプローチという 2 つのベースラインを一貫して上回った。
• 指標:
  • 論理サイクル数: ベースラインと比較して、5.5倍の幾何平均加速（平均 69% の削減）を達成した。
  • 時空ボリューム: 3.4倍の幾何平均削減（58% の平均削減）を達成した。
  • 予算利用率: ベースラインがエラー予算の 50～95% を未使用のままにすることが多いのに対し、GP|𝑇⟩-S はすべての実行において、制限を超過することなく、ほぼ全予算を使い切った。
• 実現可能性: 培養のみでは（厳格な忠実度要件のため）実行不可能であったベンチマークにおいても、培養ファクトリと動的割り当ての追加により、予算内での実行が可能となった。

意義
本論文は、培養のチューニングとファクトリの割り当てを分離して考えることは、劣化した設計選択であると主張している。ギャップ・カットオフとファクトリ構成を単一の結合された設計空間として扱うことで、GP|𝑇⟩-S は、エラー予算を増やすことなく大幅な性能向上を達成できることを示している。この研究は、「予算の余剰（slack）」が現在の FTQC において重要な、しばしば浪費されているリソースであることを浮き彫りにしている。提案されたシステムは、量子プログラムの特定の許容誤差と実行の進行状況に合わせてリソース提供を動的に適応させることで、表面符号アーキテクチャの効率を最大化するための実用的なフレームワークを提供する。