High-Rate Quantum Codes with Proven Distance and Low-Weight Measurements

기술 요약: 증명된 거리와 낮은 측정 가중치를 가진 고율 양자 코드

문제 정의
본 논문은 양자 오류 정정의 세 가지 핵심 파라미터 사이의 근본적인 트레이드오프를 다룹니다: 인코딩율(데이터 큐비트 대비 보호되는 논리적 큐비트의 수), 코드 거리(감지되지 않는 논리적 오류의 최소 가중치), 그리고 측정 가중치(단일 측정 연산자가 접하는 데이터 큐비트의 수). 서브시스템 코드는 무거운 스테빌라이저 측정을 가벼운 비가환 게이지 측정으로 대체할 수 있는 메커니즘을 제공하지만, 이러한 코드의 정확한 거리—특히 게이지 연산자에 의한 곱셈을 고려한 "드레스(dressed)" 거리—를 결정하는 것은 종종 수치적 탐색을 필요로 하거나 일반적인 패밀리에 대한 엄밀한 증명이 부족합니다. 저자들은 직사각형 그리드 상에서 낮은 측정 가중치를 가지면서도 명시적이고 증명된 파라미터를 제공하는 고율 코드 구성을 목표로 합니다.

방법론
저자들은 $L$ 차원의 직사각형 좌표 그리드(짝수 측면 길이 $q_i \ge 4$)로 정의된 RLG($q_1, \dots, q_L$) 양자 서브시스템 코드 패밀리를 연구합니다.

• 구성: 이 코드는 "좌표선(coordinate-line)" 게이지 연산자를 측정함으로써 정의됩니다. 각 축 $i$에 대해, 해당 축과 평행한 모든 선을 따라 작용하는 $X$ 또는 $Z$ 연산자들이 게이지 그룹에 포함됩니다.
• 대수적 프레임워크: 분석에는 파울리 연산자의 이진 심플렉틱(binary symplectic) 기술이 사용됩니다. 이 코드는 게이지 그룹이 순수 $X$ 및 순수 $Z$ 연산자로 생성되는 칼더뱅크-쇼-스티인(CSS) 유형의 코드입니다. 저자들은 게이지 및 스테빌라이저 그룹의 랭크를 결정하기 위해 $\mathbb{F}_2$ 상의 텐서 곱 계산을 활용합니다.
• 형식 검증: 방법론의 상당 부분은 대화형 정리 증명기인 Lean을 이용한 형식 검증을 포함합니다. 저자들은 코드 구조를 정의하고 축의 수에 대한 귀납법을 통해 거리 하한을 엄밀하게 증명하는 Lean 모듈(예: RLG.lean, GridLines.lean)을 제공합니다. 이러한 접근 방식은 일반적인 경우에 대한 수치적 거리 탐색을 피하게 해줍니다.
• 최적화: 고정된 데이터 큐비트 예산(구체적으로 $N \le 10,000$)에 대해, 저자들은 특정 거리($D=16, 32, 64$)에 대한 인코딩율과 최대 측정 가중치 사이의 파레토 프런티어(Pareto frontier)를 식별하기 위해 짝수 직사각형 튜플에 대한 정확한 유한 열거를 수행합니다.

주요 기여

1. 정확한 파라미터 공식: 저자들은 임의의 유효한 튜플 측면에 대해 데이터 큐비트($N$), 보호되는 논리 큐비트($K$), 게이지 큐비트($g$), 그리고 드레스 거리($D$)에 대한 폐쇄형 표현식을 도출합니다:
   • $N = \prod q_i$
   • $K = \prod (q_i - 2)$
   • $D = 2^L$ (여기서 $L$은 축의 수)
   • 최대 측정 가중치는 $w = \max_i q_i$입니다.
2. 증명된 드레스 거리: 휴리스틱이나 수치적 확인에 의존하는 많은 서브시스템 코드 분석과 달리, 본 연구는 드레스 거리가 정확히 $2^L$임을 엄밀하게 증명합니다. 이 증명은 (게이지 연산자에 의해 곱해진 후에도) 모든 비자명한 논리 연산자가 최소 $2^L$의 서포트 크기를 가져야 함을 보여줍니다.
3. 베어(Bare) vs 드레스(Dressed) 거리: 저자들은 이 패밀리의 경우, 베어 거리(모든 게이지와 가환하는 논리 연산자의 최소 가중치) 또한 $2^L$이며 드레스 거리와 일치함을 증명합니다.
4. 스테빌라이저 가중치 분석: 논문은 측정되는 게이지 연산자들은 낮은 가중치($w$)를 갖지만, 비항등 스테빌라이저(게이지 라인들의 곱)는 최소 가중치 $2^{L-1} \min_i q_i$를 가짐을 확립합니다. 이는 게이지 자유도가 직접 측정되는 연산자의 가중치는 줄여주지만, 코드의 구조에 내재된 무거운 스테빌라이저 제약은 제거하지 못함을 강조합니다.
5. 유한 최적화 결과: 10,000개의 데이터 큐비트 예산 하에서, 저자들은 최적의 코드 구성을 식별합니다:
   • 거리 16: 10,000개의 데이터 큐비트를 가진 코드는 가중치 10의 측정을 사용하여 4,096개의 논리 큐비트($K/N \approx 41\%$)를 보호합니다.
   • 거리 32: 7,776개의 데이터 큐비트를 가진 코드는 가중치 6의 측정을 사용하여 1,024개의 논리 큐비트($K/N \approx 13.2\%$)를 보호합니다.
   • 거리 64: 9,216개의 데이터 큐비트를 가진 코드는 가중치 6의 측정을 사용하여 256개의 논리 큐비트($K/N \approx 2.8\%$)를 보호합니다.

결과 및 주장
본 논문은 이 특정 코드 패밀리에 대해 거리와 측정 가중치 사이의 "완전한 트레이드오프"를 제공한다고 주장합니다. 결과는 적절한 거리(예: $D=16$)에서 상대적으로 낮은 측정 가중치를 사용하여 높은 비율을 달고할 수 있음을 보여줍니다. 그러나 거리가 증가함에 따라 비율은 크게 떨어지며, 축의 수($L$)가 증가해야 합니다. 이는 필연적으로 거리($D=2^L$)를 높이지만, 고정된 $N$에 대해 비율을 감소시킵니다.

저자들은 이 결과가 코드 패밀리의 정적 파라미터에 관한 것임을 명시적으로 밝힙니다. 그들은 결함 허용 회로 거리, 논리적 오류율, 또는 회로 수준 노이즈 하에서의 특정 디코딩 성능을 확립하려 하지 않습니다. 논문은 이 구성이 "다중 하이퍼큐브(many-hypercube)" 코드를 확장한 것이지만, 모든 짝수 직사각형 튜플을 통일된 대수적 기술로 다룸으로써 이전에는 덜 탐구되었던 혼합 측면 길이를 허용한다는 점을 언급합니다.

의의
본 연구의 의의는 거리의 선택을 남은 유한 최적화 문제로부터 분리할 수 있는 능력에 있습니다. 거리가 오직 축의 수($L$)에 의존하는 반면, 비율과 측정 가중치는 측면 길이($q_i$)에 의존한다는 것을 증명함으로써, 저자들은 하드웨어 제약(측정 가중치)과 논리적 요구 사항(거리 및 비율)에 따라 코드를 선택할 수 있는 명확한 설계 공간을 제공합니다.

논문은 "게이지 자유도"가 무거운 스테빌라이저에 의해 운반되는 정보를 가벼운 측정을 통해 접근할 수 있게 해주지만, 그 대가 또한 명확히 합니다(스테빌라이저 제약 자체는 여전히 무겁습니다, 가중치 $\ge 2^{L-1} \min q_i$). 결과적으로, 저자들은 이 패밀리가 점근적 의미에서의 전통적인 양자 저밀도 패리티 검사(QLDPC) 스테빌라이저 패밀리는 아니며, 오히려 정확한 유한 파라미터와 특정한 최적화 지형을 제공하는 패밀리라고 언급합니다. Lean 정식화를 포함한 것은 거리 증명이 기계적으로 검증되었음을 보장하며, 수치적 탐색에 의존하지 않고도 주장된 파라미터에 대한 높은 수준의 엄밀성을 제공합니다.