Scalable accuracy gains from postselection in quantum error correcting codes

本文表明，在拓扑稳定子码（如环面码）中，对指数级低概率的错误综合征进行后选择，可将逻辑错误率从 $p_f$ 抑制至 $p_f^b$（其中 $b \ge 2$），从而通过引发故障的综合征模式在统计上的极端稀有性，实现可扩展的精度提升。

要点

想象你正试图将一条秘密信息发送穿越一片嘈杂、风暴肆虐的海洋。为了保护你的信息，你并非只书写一次，而是将其用一种特殊代码（“量子纠错码”）书写，该代码将信息分散到许多船只（量子比特）上。如果少数船只被海浪（错误）击中，该代码通常能够推断出发生了什么并加以修复。

然而，有时海浪过于混乱，导致代码产生混淆并错误地修复信息。这被称为“逻辑失效”。

本文由 Hongkun Chen 及其同事撰写，发现了一种巧妙的技巧，能够在无需增加船只的情况下使这些代码更加可靠。他们将此技巧称为后选择（postselection），并利用物理学中的“自由能”概念解释了其为何有效。

以下是他们发现的简明解析：

1. 风暴海洋的类比（问题所在）

将量子计算机中的“噪声”想象为一场风暴。当你尝试解码信息时，你会观察损伤模式（即“综合征”），以推测出了什么问题。

• 大多数时候：风暴虽混乱但可预测。损伤模式是“典型的”，代码可以轻松推断出正确的修复方案。
• 极少数情况下：风暴产生了一种非常具体、怪异的损伤模式，看起来几乎像是一场完美的风暴。在这些罕见情况下，代码会混淆并犯错。

作者意识到，几乎所有的错误都源于这些罕见且怪异的模式。“典型”的风暴实际上能被代码很好地处理。

2. “作弊码”（后选择）

通常，在量子计算中，你无法轻易丢弃一次失败的尝试并重试，因为这可能会导致数据丢失。但作者提出了一种策略：如果我们只是忽略那些怪异、令人困惑的风暴呢？

他们提出了一条规则：“如果损伤模式看起来过于令人困惑（在数学上，如果‘自由能’差异太小），我们就中止该次试验并重新尝试。”

由于这些令人困惑的模式呈指数级罕见（好比在银河系大小的干草堆中寻找一根针），你只需丢弃极小极小一部分的尝试。但通过仅丢弃这些少数糟糕的尝试，你几乎消除了所有错误。

3. 神奇数字（增益）

本文运用了大量数学（利用统计力学和“大偏差原理”）来证明这一技巧的有效性。他们发现了一个特定数值 $b$，它告诉你代码能提升多少。

• 主张：如果你使用这条“忽略怪异风暴”的规则，你的代码将变得比之前有效增强 3.1 倍。
• 类比：想象你有一面能挡住 90% 箭矢的盾牌。使用此技巧后，你并非仅仅获得一面稍好的盾牌；你实际上获得了一面如同由更厚材料制成的盾牌，却无需建造更大的盾牌。你只是学会了躲避那几支原本会漏网的箭矢。

4. 拆分团队（代码拆分）

作者还研究了一种称为“代码拆分”的策略。想象你不再拥有一支庞大的船队，而是拥有三支较小的船队。

• 你将信息通过所有三支船队进行传输。
• 你查看结果。如果某支船队看起来困惑（遭遇“怪异风暴”），你就忽略它。
• 你选择看起来最自信的那支船队，并采用他们的答案。

他们发现，即使在船只数量固定的情况下，将它们拆分并选择最佳结果，也能使整个系统更加可靠。这就像让三个人去解一道谜题；如果一个人看起来困惑，你就信任另外两个看起来确信无疑的人。

5. 为何这很重要（不过度承诺）

本文非常谨慎地说明了这能做什么以及不能做什么：

• 它并未改变计算机在崩溃前所能承受的噪声根本极限（即“阈值”）。如果风暴过于猛烈，此技巧将无济于事。
• 它确实允许你在无需构建更大物理计算机的情况下，为那些已经运行的任务获得更高的精度。
• 它确实适用于各种量子代码，而不仅仅是他们测试的那一种，因为其背后的数学原理具有高度通用性。

总结

本文论证道，量子纠错的失败主要归因于少数“不幸”的场景。通过简单地拒绝接受这些不幸场景（并转而重试），你可以使用相同的硬件量，使系统的精度比之前提高约三倍。这是一种通过挑剔地筛选保留哪些结果，从而获得可靠性“免费”提升的方法。

技术摘要

技术摘要：量子纠错码中后选择带来的可扩展精度提升

问题陈述
在近期及大规模量子计算中，一个核心挑战是在固定的量子比特预算内高效地保护量子信息。虽然后选择（即中止检测到错误的试验）是一种已知的误差缓解技术，但它传统上被认为不可扩展，因为幸存试验的比例往往随系统规模呈指数级下降。以往的可扩展策略依赖于将后选择应用于固定大小的电路块。本研究探讨了在物理错误率非零的情况下，对随码距 $d$ 标度的电路直接进行后选择，是否能为拓扑稳定子码（特别是环面和表面码）带来可扩展的精度提升。

方法论
作者将稳定子码的解码问题映射到无序统计力学模型。对于具有独立比特翻转（$X$）和相位翻转（$Z$）错误的环面码，该问题对应于随机键伊辛模型（RBIM）。

• 统计力学映射：逻辑扇区对应不同的边界条件（周期性与非周期性）。这些扇区之间的似然比与自由能差 $\Delta F$ 相关联。
• 大偏差分析：作者分析了自由能差的概率分布 $P(\Delta F)$。他们提出，在低于阈值的错误率下，$\Delta F$ 遵循大偏差原理（LDP），其中 $P(\Delta F = sd) \sim \exp(-I(s)d)$。此处，$s$ 是一个强度变量（线张力），$I(s)$ 是速率函数。
• 数值模拟：该研究采用时间演化块缩并（TEBD）算法，计算不同尺寸（$d$）环面晶格上 RBIM 的配分函数和自由能。此外，他们还模拟了电路级噪声（包括去极化噪声、测量错误和门故障）下的最小权重完美匹配（MWPM）解码，以在更现实的场景中验证结果。
• 代码分割：作者分析了一种策略，即并行制备 $r$ 份代码副本，选择自由能差绝对值 $|\Delta F_i|$ 最大的副本（后选择），而丢弃其他副本。

主要贡献与结果

1. 逻辑错误的起源：分析表明，逻辑错误主要由“指数级不可能”的综合征引起，这些综合征中自由能差 $|\Delta F|$ 接近零。典型的综合征具有较大的 $|\Delta F|$，并能以高置信度被正确解码。
2. 可扩展的后选择增益：通过针对罕见且危险的综合征（特别是那些 $|\Delta F| \le s^* d$ 的综合征）进行后选择，逻辑错误率可从 $p_f \sim \exp(-I(0)d)$ 抑制至 $p_f' \sim \exp(-I(-s^*)d)$。这导致有效码距增强了 $b = I(-s^*)/I(0)$ 倍。
3. 凸性与因子 $b \ge 2$：基于速率函数 $I(s)$ 的凸性性质和 Nishimori 对称性约束，作者证明了对于任何失败概率遵循大偏差原理的码，$b \ge 2$。
4. 环面码的数值估计：
   • 对于具有完美综合征测量和最优解码的环面码，数值结果得出 $b \approx 3.1(1)$。这意味着后选择可以将有效码距提高约三倍。
   • 在电路级噪声下使用 MWPM 解码时，增益依然显著，$b \approx 2.87$。
   • 数值 $b \approx 3$ 在不同的错误模型中均表现稳健，包括部分标记错误和键稀释 RBIM。
5. 代码分割效率：作者证明，将代码分割为多个子代码并后选择最佳的一个，即使在固定的时空预算下也能提升性能。对于环面码，分割为 $r=3$ 或 $r=4$ 个子代码可产生可扩展的优势，而分割过多（$r \ge b^2$）则变得低效。
6. 通用性：这些论点可推广至一般的拓扑稳定子码和级联码（如广义 Shor 码），前提是解码失败概率遵循大偏差原理。论文指出，Gärtner–Ellis 定理为建立一般量子 LDPC 码的 LDP 提供了一条理论途径，假设缩放累积生成函数具有正则性。

意义
本文确立了后选择不仅仅是用于小规模实验的误差缓解工具，它能为容错量子计算提供可扩展的精度提升。通过识别逻辑错误是由罕见且可识别的综合征驱动的，这项工作论证了丢弃这些特定试验可以在试验数量不呈指数级增加的前提下（前提是接受概率保持有限），实现逻辑错误率的指数级抑制。

作者声称，这种方法有效地将码距增加了一个有限因子（至少为 2，对于环面码约为 3）。这表明，对于将最小化逻辑失败概率作为主要目标的任务（而非为固定数量的操作最小化资源开销），后选择策略可以优于非后选择策略。这项工作通过提供解释此类策略为何有效的理论大偏差机制，补充了近期关于 qLDPC 码实用后选择的发展。