Optimizing continuous-time quantum error correction for arbitrary noise

기술 요약: 임의의 노이즈에 대한 연속 시간 양자 오류 정정 최적화

문제 정의
양자 시스템은 본질적으로 환경적 결맞음(decoherence)에 취약하며, 이에 따라 양자 오류 정정(QEC)이 필수적이다. 표준 스테빌라이저 코드는 독립적인 파울리 오류를 수정하는 데 강력한 프레임워크를 제공하지만, 복잡하고 현실적인 노이즈 환경에서는 종종 최적의 성능을 내지 못한다. 실제 세계의 노이즈는 비마르코프적(non-Markovian)일 수 있고, 계산 부공간(computational subspace) 밖으로의 누설(leakage)을 유발하거나, 비파울리 오류를 도입하거나, 공간적 및 시간적 상관관계를 가질 수 있다. 또한, 표준 이산 시간 QEC 모델은 즉각적인 복구를 가정하지만, 실제로는 노이즈가 지속적으로 발생한다. 이는 약한 노이즈와 약한 복구 연산이 동시에 발생하는 연속 시간 양자 오류 정정(CT-QEC) 프레임워크의 필요성을 뒷받받는다.

CT-QEC의 핵심 과제는 측정 관측량과 복구 연산자의 선택이다. 서로 다른 측정 기저가 동등한 성능을 낼 수 있는 이산 시간 QEC와 달리, CT-QEC에서는 약한 측정 기저와 그에 대응하는 약한 유니터리 보정의 선택이 성능에 큰 영향을 미친다. 예를 들어, 스테빌라이저를 약하게 측정하고 약한 파울리 보정을 적용하는 것은 다른 측정-보정 쌍에 비해 최적의 충실도(fidelity)를 얻지 못할 수 있다. 임의의 장치 수준 노이즈 채널에 대해 최적의 복구 전략을 식별하는 것은 어려운 최적화 문제인데, 이는 가능한 코드 공간(부공간)의 집합이 비볼록성(non-convex)을 띠는 그라스만 다양체(Grassmannian manifold)를 형성하기 때문이다.

방법론
저자들은 CT-QEC 프레임워크 내에서 양자 오류 정정 코드 공간과 그에 대응하는 약한 복구 채널을 동시에 최적화하기 위한 머신러닝(ML) 프로토콜을 제안한다. 이 접근 방식은 노이즈 채널을 공간 및 시간적 상관관계를 허용하는 임의의 완전 양성 및 추적 보존(CPTP) 맵으로 취급한다.

1. 신경망 구조: 최적화에는 6개의 은닉층(각 128개 뉴런, ReLU 활성화 함수)을 가진 다층 퍼셉트론(MLP)이 사용된다. 네트워크는 코드 공간의 표현을 입력으로 받아 복구 채널을 정의하는 일련의 복소 행렬을 출력한다.
2. 복구 채널의 매개변수화: CPTP 맵의 집합은 볼록(convex)하므로, 출력층은 크라우스 연산자(Kraus operators)를 생성하도록 매개변수화된다. 네트워크는 임의의 복소 행렬 $\{G_j\}$를 생성하며, 이는 강한 채널 $R$에 대한 유효한 크라우스 연산자 $\{R_j\}$를 형성하도록 정규화된다. 약한 복구 채널 $\tilde{R}$은 항등 채널과의 볼록 조합을 통해 구성된다: $\tilde{R} = (1-\epsilon^2)I + \epsilon^2 R$, 여기서 $\epsilon = \sqrt{\kappa \delta t}$이다.
3. 코드 공간의 최적화: 모든 코드 부공간의 집합은 그라스만 다양체를 형성하며, 이는 비볼록하다. 이를 탐색하기 위해 저자들은 리만 그래디언트 디센트(Riemannian gradient descent) 알고리즘을 사용한다. 비용 함수의 유클리드 그래디언트는 현재 지점의 다양체 접공간(tangent space)으로 투영된다. 업데이트 단계는 임베딩 공간 상에서 직선을 따라 이동한 후, 지수 사상(exponential map)의 계산 비용을 피하기 위해 극분해(singular value decomposition을 통한)를 사용하여 다양체로 재투영(retract)하는 과정을 포함한다.
4. 비용 함수:
   • 마르코프 노이즈: 목표는 초기 최대 얽힘 상태 $|\Phi\rangle_{LR}$와 짧은 시간 $\delta t$ 이후의 상태 사이의 불충실도(infidelity)를 최소화하는 것이며, 이때 노이즈와 강한 복구 맵이 적용된다. 이는 항등 맵이라는 자명한 해를 방지하고, 코드가 물리적 큐비트보다 논리적 상태를 더 오래 보호하도록 보장한다.
   • 비마르코프 노이즈: 시간 상관관계가 있는 노이즈의 경우, 비용 함수는 노이즈 및 복구 궤적 앙상블에 대한 시간 평균 불충실도를 최소화한다.

주요 결과
프로토콜은 다양한 노이즈 모델에 대해 테스트되었으며, ML로 최적화된 코드 및 복구를 표준 스테빌라이저 코드 및 베어 큐비트(bare qubits)와 비교하였다:

• 마르코프 비트 플립 노이즈: 균일한 비트 플립 노이즈를 겪는 3개 큐비트에 대해, 신경망은 표준 $[[3, 1, 3]]$ 비트 플립 코드를 재발견하여 이 대칭적 노이즈에 대한 최적성을 경험적으로 확인하였다.
• 진폭 감쇄 및 상관된 디페이징: 진폭 감쇄 및 공간적으로 상관된 디페이징 하에서 하나의 논리 큐비트를 인코딩하는 5개 큐비트 시스템에 대해, ML 접근 방식은 표준 $[[5, 1, 3]]$ 코드 및 특정 오류 신드롬에 맞춤화된 변형 버전을 모두 크게 능가하였다.
• 누설 오류(Leakage Errors): 외부 상태로 누설이 발생하는 두 물리 큐비트 시스템에서, ML 최적화된 복구는 누설 오류를 성공적으로 완화하며 인코딩되지 않은 물리 큐비트보다 우수한 성능을 보였다.
• 큐트릿(Qutrit) 시스템: 이 방법은 두 개의 물리적 큐트릿에 논리 큐비트를 성공적으로 인코딩함으로써 큐비트 기반 시스템을 넘어선 유연성을 입증하였다.
• 비마르코프 노이즈:
  • $1/f$ 노이즈(연속 시간 해밀토니안 회전)의 경우, ML 최적화된 코드와 복구는 Bacon-Shor 코드 및 베어 큐비트를 크게 능가하였다.
  • 상수 해밀토니안 오류(매우 비마르코프적인 모델)에 대해, $1/f$ 노이즈로 학습된 코드는 별도의 재학습 없이도 $[[4, 1, 1, 2]]$ 코드 및 베어 큐비트를 능가하며 잘 일반화됨을 보여주어 과적합에 대한 견고함을 시사하였다.

의의 및 주장
본 논문은 이 ML 기반 접근 방식이 표준 스테빌레이저 코드가 최적이 아닐 수 있는 상관관계가 있는 노이즈 및 비마르코프적 오류를 포함하여, 임의의 장치 수준 노이즈에 특화된 복구 방식과 코드 공간을 발견할 수 있게 한다고 주장한다. 연속 시간 영역을 활용함으로써, 이 방법은 빈번한 측정을 통해 배스(bath)의 메모리 커널을 절단함으로써 비마르코프 노이즈를 억제하는 양자 제노 효과(quantum Zeno effect)를 이용한다.

저자들은 결과로 나오는 크로스 연산자가 임의적이며 물리적으로 구현하기 어렵거나 비국소적(non-local)일 수 있지만, 이 프레임워크가 이론적 상한선과 설계 도구를 제공한다는 점을 강조한다. 향후 연구에서는 실용성을 높이기 위해 장치 수준의 결합 정보를 손실 함수에 포함할 수 있다고 제안한다. 이 프로토콜은 작은 시스템을 위한 코드를 설계하는 방법으로 제시되며, 이는 높은 수준의 오류 정정을 달 Bell 수 있도록 표준 코드와 결합될 수 있다. 본 연구는 즉각적인 실험적 구현을 주장하는 것이 아니라, CT-QEC 전략을 최적화하기 위한 계산적 프레임워크를 구축하는 데 목적이 있다.