Optimizing continuous-time quantum error correction for arbitrary noise

Resumo Técnico: Otimização da Correção de Erros Quânticos em Tempo Contínuo para Ruído Arbitrário

Definição do Problema
Sistemas quânticos são inerentemente suscetíveis à decoerência ambiental, o que torna necessária a Correção de Erros Quânticos (QEC). Embora os códigos estabilizadores padrão ofereçam uma estrutura robusta para corrigir erros de Pauli independentes, eles frequentemente se mostram subótimos para ambientes de ruído complexos e realistas. O ruído do mundo real pode ser não-markoviano, causar vazamento (leakage) para fora do subespaço computacional, introduzir erros não-Pauli ou exibir correlações espaciais e temporais. Além disso, o modelo padrão de QEC em tempo discreto assume uma recuperação instantânea, enquanto, na prática, o ruído é perpétuo. Isso motiva o framework de Correção de Erros Quânticos em Tempo Contínuo (CT-QEC), onde ruídos fracos e operações de recuperação fracas ocorrem simultaneamente.

Um desafio crítico na CT-QEC é a seleção de observáveis de medição e operadores de recuperação. Diferente da QEC em tempo discreto, onde diferentes bases de medição podem resultar em desempenho equivalente, a escolha da base de medição fraca e da correspondente correção unitária fraca na CT-QEC impacta significamente o desempenho. Por exemplo, medir estabilizadores de forma fraca e aplicar correções de Pauli fracas pode resultar em fidelidade subótima em comparação com outros pares de medição-correção. Identificar a estratégia de recuperação ideal para canais de ruído arbitrários ao nível do dispositivo permanece um problema de otimização difícil, particularmente porque o espaço de possíveis espaços de código (subespaços) forma uma variedade de Grassmann não convexa.

Metodologia
Os autores propõem um protocolo de aprendizado de máquina (ML) para otimizar simultaneamente o espaço de código de correção de erro quântico e o canal de recuperação fraca dentro do framework de CT-QEC. A abordagem trata o canal de ruído como um mapa arbitrário completamente positivo e preservador de traço (CPTP), permitendo correlações tanto no espaço quanto no tempo.

1. Arquitetura de Rede Neural: A otimização utiliza um Perceptron Multicamadas (MLP) com seis camadas ocultas (128 neurônios cada, ativação ReLU). A rede recebe uma representação do espaço de código como entrada e produz um conjunto de matrizes complexas que definem o canal de recuperação.
2. Parametrização de Canais de Recuperação: Como o conjunto de mapas CPTP é convexo, a camada de saída é parametrizada para gerar operadores de Kraus. A rede produz matrizes complexas arbitrárias $\{G_j\}$, que são normalizadas para formar operadores de Kraus $\{R_j\}$ para um canal forte $R$. O canal de recuperação fraco $\tilde{R}$ é então construído via uma combinação convexa com o canal identidade: $\tilde{R} = (1-\epsilon^2)I + \epsilon^2 R$, onde $\epsilon = \sqrt{\kappa \delta t}$.
3. Otimização do Espaço de Código: O conjunto de todos os subespaços de código forma a variedade de Grassmann, que é não convexa. Para navegar nisso, os autores empregam um algoritmo de gradiente de Riemann descendente. O gradiente euclidiano da função de custo é projetado no espaço tangente da variedade no ponto atual. A etapa de atualização envolve mover-se ao longo de uma linha reta no espaço de imersão e retornar à variedade usando a decomposição polar (via decomposição de valores singulares), evitando o custo computacional de mapas exponenciais.
4. Funções de Custo:
   • Ruído Markoviano: O objetivo é minimizar a infidelidade entre o estado maximamente emaranhado inicial $|\Phi\rangle_{LR}$ e o estado após um curto intervalo $\delta t$, sujeito ao ruído e a um mapa de recuperação forte. Isso evita a solução trivial do mapa identidade e garante que o código proteja os estados lógicos por mais tempo do que os qubits físicos puros.
   • Ruído Não-Markoviano: Para ruído com correlação temporal, a função de custo minimiza a infidelidade média no tempo sobre um conjunto de trajetórias de ruído e recuperação.

Principais Resultados
O protocolo foi testado em vários modelos de ruído, comparando o código e a recuperação otimizados por ML contra códigos estabilizadores padrão e qubits puros:

• Ruído de Bit-Flip Markoviano: Para três qubits sujeitos a ruído de bit-flip uniforme, a rede neural redescobriu o código padrão de bit-flip $[[3, 1, 3]]$, confirmando empiricamente sua otimalidade para este ruído simétrico.
• Amortecimento de Amplitude e Dephasing Correlacionado: Para cinco qubits codificando um qubit lógico sob amortecimento de amplitude e dephasing espacialmente correlacionado, a abordagem de ML superou significativamente tanto o código padrão $[[5, 1, 3]]$ quanto uma versão modificada adaptada para síndromes de erro específicas.
• Erros de Vazamento (Leakage): Em um sistema de dois qubits físicos onde ocorre vazamento para um estado externo, a recuperação otimizada por ML mitigou com sucesso os erros de vazamento, superando os qubits físicos não codificados.
• Sistemas de Qutrit: O método codificou com sucesso um qubit lógico em dois qutrits físicos, demonstrando flexibilidade além de sistemas baseados em qubits.
• Ruído Não-Markoviano:
  • Para ruído $1/f$ (rotações de Hamiltoniano em tempo contínuo), o código e a recuperação otimizados por ML superaram significativamente o código Bacon-Shor e os qubits puros.
  • Para erros de Hamiltoniano constantes (um modelo altamente não-markoviano), o código treinado em ruído $1/f$ generalizou bem, superando o código $[[4, 1, 1, 2]]$ e os qubits puros sem necessidade de retreinamento, sugerindo robustez contra o sobreajuste (overfitting).

Significância e Alegações
O artigo afirma que esta abordagem impulsionada por ML permite a descoberta de esquemas de recuperação e espaços de código adaptados especificamente para ruídos arbitrários ao nível do dispositivo, incluindo erros não-markovianos e correlacionados, onde os códigos estabilizadores padrão são subótimos. Ao alavancar o regime de tempo contínuo, o método explora o efeito Zeno quântico para suprimir o ruído não-markoviano através do truncamento do núcleo de memória do banho mediante medições frequentes.

Os autores enfatizam que, embora os operadores de Kraus resultantes sejam arbitrários e possam ser não-locais ou difíceis de implementar fisicamente, o framework fornece um limite superior teórico e uma ferramenta de design. Eles sugerem que informações de acoplamento ao nível do dispositivo possam ser incorporadas à função de perda em trabalhos futuros para aumentar a praticidade. O protocolo é apresentado como um método para projetar códigos para sistemas pequenos, que poderiam subsequentemente ser concatenados com códigos padrão para alcançar níveis mais altos de correção de erros. O trabalho não reivindica realização experimental imediata, mas estabelece um framework computacional para otimizar estratégias de CT-QEC.