Bosonic quantum error-correcting codes with finite stellar rank

기술 요약: 유한한 스텔라 랭크(Stellar Rank)를 가진 보존적 양자 오류 정정 코드

문제 정의
보존적 양자 오류 정정(QEC)은 캣 코드(cat codes)나 고테스만-키타에프-프레스킬(GKP) 코드와 같은 연속 변수 상태를 활용하여 광자 손실 및 디페이징과 같은 주요 노이즈를 억제함으로써, 무한 차원 힐베르트 공간 내에 논리 큐비트를 인코딩하는 유망한 경로를 제공한다. 그러나 이러한 인코딩은 본질적으로 비가우시안(non-Gaussian)이며, 표준 가우시안 연산(예: 변위 및 스퀴징) 이상의 자원을 필요로 한다. 특히 광자 시스템과 같은 실제 실험 환경에서는 비가우시안 자원이 제한적이고 비용이 많이 든다. 본 연구가 다루는 핵심 문제는 유한한 비가우시안 자원이 코드워드(codeword)의 준비 정확도에 어떻게 제약을 가하며, 결과적으로 논리적 오류 정정 성능에 어떤 영향을 미치는가 하는 점이다. 구체적으로, "브레이크-이븐(break-even)" 지점(인코딩되지 않은 큐비트보다 우수한 성능을 보이는 지점)을 넘어서기 위해 필요한 최소 자원 비용이 얼마인지, 그리고 준비 제약이 부과되었을 때 이상적인 코드워드가 여전히 최적인지는 명확하지 않다.

방법론
저자들은 임의의 가우시안 연산을 사용하여 단일 모드 비가우시안 상태를 생성하는 데 필요한 최소 광자 추가 횟수로 정의되는 스텔라 랭크(stellar rank, $r^\star$)를 자원 척도로 도입한다. 또한, 유한한 스텔라 랭크 $k$를 사용하여 타겟 상태를 근사하는 품질을 정량화하기 위해 스텔라 충실도(stellar fidelity, $f^\star_k$)를 활용한다.

본 연구는 두 가지 주요 단계로 진행된다:

1. 고정된 코드 패밀리의 근사: 저자들은 표준 캣 코드와 GKP 코드를 분석한다. 이들은 가우시안 유니터리(변위 및 스퀴징)를 최적화함으로써 유한한 스텔라 랭크 제약 하에서 타겟 상태의 스텔라 충실도를 수치적으로 최적화한다. 그 후, 최적화된 근사 코드워드를 광자 손실 및 디페이징 노이즈 채널 하에서 최적 회복(optimal recovery, 준정부호 계획법을 통해 계산됨)을 통해 벤치마킹하여 논리 채널 충실도를 결정한다.
2. 인코딩의 직접 최적화: 고정된 타겟 상태를 넘어, 저자들은 고정된 스텔라 랭크 $k$ 내에서 변분 클래스(variational classes)를 통해 보존적 인코딩을 직접 최적화한다. 계산 가능한 트랙터빌리티(tractability)를 확보하기 위해, 탐색 과정 중 대리 목적 함수(surrogate objective function)로 펫츠 회복 충실도(Petz-recovery fidelity)를 사용하며, 최종 성능은 최적 회복을 통해 벤치마킹한다. 최적화는 가우시안 파라미터와 포크(Fock) 기저에서의 "핵심(core)" 상태 계수를 공동으로 튜닝하는 과정을 포함한다.

주요 기여 및 결과

• 고정된 코드 패밀리의 트레이드오프:

  • 캣 코드의 경우, 연구 결과 더 높은 결맞음 진폭($\alpha$)은 구성 요소 간의 위상 공간 분리로 인해 높은 스텔라 충실도를 달uc하기 위해 더 높은 스텔라 랭크를 요구함을 보여준다. 유한 랭크 근사가 부분적인 회전 구조만을 포착하게 되는 "플래토(plateau)" 영역이 나타남에 따라, 실제 구현 시 수렴은 비단조적(non-monotonic)으로 나타난다.
  • GKP 코드의 경우, 이상적인 무한 에너지 한계에 더 가까운 상태(더 작은 정규화 파라미터 $\Delta$)일수록 이를 정확하게 근사하기 위해 현저히 높은 스텔라 랭크를 필요로 한다.
  • 브레이크-이븐 분석: 유한 랭크 근사 모델은 정확한 준비가 가능해지기 전에도 브레이크-이븐 임계값을 넘어설 수 있다. 캣 코드의 경우, 브레이크-이븐을 위해 필요한 스텔라 랭크는 진폭 $\alpha$에 따라 증가한다. 광자 손실 하의 GKP 코드의 경우, 스텔라 충실도가 1에 훨씬 못 미치는 낮은 스텔라 랭크($k=3$ 또는 $4$)에서도 브레이크-이븐이 달성된다. 그러나 디페이징 하에서는, 유한 랭크 GKP 근사가 연구된 랭크 범위 내에서 브레이크-이븐을 통과하는 데 실패한다.
  • 이상적 코드의 부적절성: 무한 자원 한계에서 최적인 코드워드(예: 더 작은 $\Delta$를 가진 덜 댐핑된 GKP 상태)가 유한 랭크 제약 하에서는 부적절해질 수 있다는 것이 핵심적인 발견이다. 매우 비가우시안적인 타겟의 준비 오차가 그 자체의 고유한 오류 정정 특성을 상쇄할 수 있으므로, 더 쉽게 준비 가능한 "열등한" 이상적 상태가 실제로는 더 나은 성능을 보일 수 있다.

• 최적화된 인코딩:

  • 고정된 스텔라 랭크에서 인코딩을 직접 최적화하면 노이즈에 적응된 코드 구조가 드러난다.
  • 광자 손실 하에서, 최적화된 인코딩은 낮은 랭크의 국소적 구조로부터 (GKP 상태와 유사한) 격자 형태의 위그너 함수로 진화한다.
  • 디페이징 하에서, 최적화된 인코딩은 (캣 코드와 유사한) 근사적 회전 대칭 구조를 발달시키며, 이는 더 넓은 위상 공간 분리를 선호함을 의미한다.
  • 자원 임계값: 디페이징 노이즈의 경우, 스텔라 랭크 $k=2$만으로도 고려된 모든 노이즈 강도에 대해 브레이크-이븐을 통과하기에 충분하다. 광자 손실의 경우, 필요한 스텔라 랭크는 손실률에 따라 증가한다.
  • 성능 비교: 고정된 스텔라 랭크($k=4$)와 손실률($\kappa t = 10^{-2}$)에서, 최적화된 인코딩은 표준 캣 코드의 유한 랭크 근사($3.41 \times 10^{-4}$) 및 바이노미얼 코드($2.9 \times 10^{-3}$)보다 낮은 채널 불충실도($1.99 \times 10^{-4}$)를 달성했다.

의의
본 논문은 스텔라 랭크를 보존적 QEC의 운용 가능한 의미를 갖는 자원 척도로 확립하여, 비가우시안 자원 이론과 실제적인 상태 준비 제약 사이의 가교를 놓았다. 이는 "최선의" 코드가 반드시 이상적인 오류 정정 특성이 가장 좋은 코드가 아니라, 고유한 코드 품질과 준비 비용 사이의 균형을 맞추는 코드임을 입증한다. 연구 결과는 오류 정정 이점을 얻기 위한 구체적인 자원 임계값을 제공하며, 노이즈에 적응된 최적화가 사전 정의된 이상적 코드를 근사하는 것보다 고정된 비가우시안 자원 예산 내에서 더 우수한 성능을 낼 수 있음을 강조한다. 이 프레임워크는 비가우시안 연산이 제한적인 광자 시스템과 같은 실험 플랫폼에 특히 유용하다.