Quantenfehlerkorrektur und logische Qubits erklärt

Wie die Quantenfehlerkorrektur viele verrauschte physikalische Qubits in verlässlichere logische Qubits verwandelt – und warum Codedistanz, Schwellenwerte und Oberflächencodes wichtig sind.

Diese Seite wurde aus dem Englischen übersetzt. Unternehmens- und Produktnamen sowie Quellenlinks bleiben unverändert. Original auf Englisch lesen

Quantenfehlerkorrektur bezeichnet die Gesamtheit der Verfahren, mit denen fragile Quanteninformation trotz Rauschen, Dekohärenz und unvollkommener Operationen nutzbar gehalten wird. Die Grundidee besteht darin, ein oder mehrere logische Qubits in eine größere Menge physikalischer Qubits zu kodieren, wiederholt sorgfältig ausgewählte Prüfungen zu messen, die Fehlerinformationen aufdecken, aber nicht den geschützten Quantenzustand, und anschließend auf Grundlage des beobachteten Syndroms Korrekturschritte anzuwenden.

Warum Quantencomputer Fehlerkorrektur brauchen

Quanteninformation ist ungewöhnlich empfindlich. Fehler können durch Dekohärenz und andere Quellen von Quantenrauschen entstehen, und in praktischen Quantencomputern kommen zudem fehlerhafte Gatter, unvollkommene Zustandspräparation und Messfehler hinzu. Deshalb ist Fehlerkorrektur nicht nur für das Speichern von Quantenzuständen zentral, sondern auch für lange Berechnungen.

Klassische Fehlerkorrektur funktioniert, indem sie Bits Redundanz hinzufügt. Quantenfehlerkorrektur verfolgt ein ähnliches Ziel, allerdings unter einer wesentlichen Einschränkung: Die direkte Messung eines Qubits stört den Zustand in der Regel. Ein Quantencode muss daher Information darüber gewinnen, was schiefgelaufen ist, ohne die logische Information selbst preiszugeben. In vielen Codes geschieht das über Messungen kommutierender Operatoren, die als Stabilisatoren bezeichnet werden.

Eine nützliche Sicht auf das Versprechen der Quantenfehlerkorrektur ist die einer Simulationsebene: Gegeben einen verrauschten physikalischen Kanal, der zu einem Fehlermodell passt, kann ein Quantenfehlerkorrekturcode genutzt werden, um einen rauschfreien logischen Kanal hinreichend gut zu approximieren, damit Kommunikation oder Berechnung praktisch werden.

Physikalische Qubits, logische Qubits und Codedistanz

Eine gebräuchliche Notation für einen Quantencode ist [[n,k,d]]. Das bedeutet, dass der Code k logische Qubits in n physikalische Qubits mit Codedistanz d kodiert.

Diese drei Parameter erfassen die meisten Zielkonflikte:

n: wie viele physikalische Qubits der Code verwendet
k: wie viele logische Qubits geschützt werden
d: die Codedistanz, ein Maß dafür, wie schwer es für Fehler ist, wie eine logische Operation zu wirken

Die Coderate k/n ist ein grundlegendes Effizienzmaß. Eine höhere Rate bedeutet weniger Overhead pro logischem Qubit. Höhere Distanz und höhere Rate stehen jedoch im Allgemeinen im Widerspruch zueinander, daher geht es beim Codedesign darum, Zuverlässigkeit gegen Hardwarekosten abzuwägen.

Im Großen und Ganzen besteht ein Zyklus der Quantenfehlerkorrektur aus drei Phasen:

Kodierung der logischen Information in ein größeres physikalisches System
Speicherung oder Übertragung durch einen verrauschten Kanal
Syndromextraktion und Korrektur, die wahrscheinliche Fehler identifiziert und behebt

Das Syndrom ist entscheidend. Stabilisatormessungen werden so gewählt, dass sie nur Fehlerinformationen offenlegen, nicht aber den kodierten Quantenzustand. Andernfalls würde der Korrekturprozess die Superpositionen zerstören, die der Computer zu erhalten versucht.

Auf welche Arten von Fehlern zielen Codes ab?

Die dominierenden Fehler hängen stark von der Hardwareplattform ab. Wichtige Beispiele sind:

Amplitudendämpfung oder Anregungsverlust, verbunden mit der Relaxation zum Gleichgewicht
Kohärente Fehler, die aus der internen Dynamik des Systems entstehen
Dephasierung, einer der dominierenden Rauschprozesse in vielen Qubit-Implementierungen

Dennoch arbeiten viele Quantencodes mit einem vereinfachten Modell, in dem Fehler als Kombinationen von Pauli-Operationen behandelt werden:

X für bitflip-ähnliche Fehler
Z für phasenflip-ähnliche Fehler
Y für kombinierte Bit- und Phasenfehler

Dieses Pauli-basierte Bild erfasst nicht jeden realistischen Rauschprozess, ist aber weit verbreitet, weil es Analyse und Codekonstruktion handhabbarer macht. Unter diesem Modell lassen sich Syndromextraktion und Dekodierung oft so formulieren, dass sie Ideen aus der klassischen Codierungstheorie aufgreifen.

Diese Vereinfachung hat allerdings einen Vorbehalt: Die Dekodierung kann trotzdem schwierig sein. Ein Code mit den Parametern [[n,k,d]] hat 2^(n-k) mögliche Syndrome, was schnell zu groß für einfache Nachschlagetabellen wird. In der Praxis sind daher meist effiziente klassische Dekodierungsalgorithmen erforderlich.

Fehlertoleranz: Fehler korrigieren, ohne alles noch schlimmer zu machen

Fehlerkorrektur allein reicht für skalierbare Berechnungen nicht aus. In einem Computer nutzt die Korrekturmaschinerie selbst Gatter, Messungen und präparierte Ancillas, die alle fehlschlagen können. Hier kommt Fehlertoleranz ins Spiel.

Die zentrale Idee besteht darin, Kodierung, Syndrommessung und Korrektur so zu gestalten, dass eine kleine Zahl physikalischer Fehler sich nicht zu einem nicht mehr korrigierbaren logischen Ausfall ausbreitet. Die Quantenfehlerkorrektur verknüpft das mit dem Schwellentheorem der Quanteninformatik: Beliebig lange Quantenberechnungen sind möglich, indem Codes rekursiv verkettet werden, vorausgesetzt, die Fehlerrate einzelner Quantengatter bleibt unterhalb einer Schwelle.

Die Quantenfehlerkorrektur nennt dazu eine historische Schätzung aus dem Jahr 2004, wonach diese Schwelle bei 1–3% liegen könnte, sofern genügend Qubits verfügbar sind. Sie liefert auch die Intuition dafür, warum eine Schwelle wichtig ist: Unterhalb davon beseitigt die Korrektur mehr Fehler, als sie einführt; oberhalb davon kann der Korrekturprozess insgesamt schädlich werden.

Dieses Schwellenkonzept ist ein Grund, warum logische Qubits eine so nützliche Abstraktion sind. Ein logisches Qubit ist kein einzelnes Bauelement, sondern ein kodiertes Objekt, dessen effektive Fehlerrate sich prinzipiell durch mehr physikalische Ressourcen und bessere fehlertolerante Verfahren senken lässt.

Wichtige Codefamilien und worauf sie optimieren

Verschiedene Codefamilien gehen unterschiedliche Kompromisse zwischen Overhead, Distanz, Struktur und Implementierbarkeit ein.

Codefamilie	Zentrale Idee	Bemerkenswerter Zielkonflikt oder Merkmal
Shor-Code	Verallgemeinert sich zu `[[d^2,1,d]]`; verwendet innere und äußere Wiederholungscodes, um Bitflip- und Phasenflip-Fehler getrennt zu behandeln	Erhöht die Distanz, aber mit geringerer Coderate
Steane- / Quanten-Hamming-Codes	Ersetzt die Wiederholungsstruktur durch den klassischen `[7,4]`-Hamming-Code und behandelt `X`- und `Z`-Fehler symmetrisch	Bessere Coderate als Wiederholungscodes im Shor-Stil
CSS-Codes	Allgemeiner Rahmen, abgeleitet aus verwandten Konstruktionen von Calderbank, Shor und Steane	Trennt `X`- und `Z`-Stabilisatoren, was für fehlertolerante Syndrommessungen hilfreich ist
Fünf-Qubit-Code	Verwendet vier Stabilisatoren, die `X` und `Z` mischen; kein CSS-Code	Kleinster möglicher Code, der ein logisches Qubit gegen beliebige Ein-Qubit-Fehler schützt
Oberflächencode	Topologischer Stabilisierungscode auf einem 2D-Gitter	Lokale Prüfungen und planare Anordnung sind experimentell attraktiv

Der Fünf-Qubit-Code ist konzeptionell besonders wichtig. Er ist der kleinstmögliche Code, der ein logisches Qubit gegen beliebige Ein-Qubit-Fehler schützen kann – eine Tatsache, die mit der Quanten-Hamming-Schranke zusammenhängt.

Die Quantenfehlerkorrektur erwähnt außerdem nichtadditive Codes, die über den Stabilisatorformalismus hinausgehen, der bei additiven [[n,k,d]]-Codes verwendet wird. Diese können in manchen Fällen höhere Coderaten erreichen, sind aber erheblich schwerer zu konstruieren und zu analysieren und daher bislang weniger erforscht.

Warum Oberflächencodes so wichtig geworden sind

Unter den modernen Codefamilien sind Oberflächencodes 2025 zentral für skalierbare Quantenfehlerkorrektur. Der Hauptgrund ist architektonisch: Sie sind über lokale Stabilisatormessungen auf einem zweidimensionalen Gitter definiert, was für viele Hardwareplattformen günstiger ist als Codes, die langreichweitige Wechselwirkungen benötigen.

Der Oberflächencode ist ein topologischer Stabilisierungscode. In der von Alexei Kitaev 1997 eingeführten torischen Variante sitzen Qubits auf den Kanten eines 2D-Gitters, und Stabilisatoren sind mit Ecken und Plaquetten verknüpft. Fehler zeigen sich als Verletzungen dieser Stabilisatoren.

Eine hilfreiche Vorstellung ist, dass ein Fehler lokalisierte Defekte erzeugt oder verschiebt, die als Anyonen beschrieben werden:

ein Z-Fehler kippt benachbarte Ecken-Stabilisatoren
ein X-Fehler kippt benachbarte Plaquetten-Stabilisatoren

Korrektur bedeutet, diese Defekte zu paaren und wieder zu annihilieren. Sind die resultierenden Pfade topologisch trivial, ist der Nettoeffekt lediglich ein Stabilisator und die logische Information bleibt unverändert. Ist ein Pfad topologisch nicht trivial, wirkt der Prozess wie ein logischer Operator und verändert die kodierte Information.

Diese geometrische Interpretation ist ein Grund, warum Oberflächencodes so anschaulich sind. Die Codedistanz wird zur minimalen Länge eines nichttrivialen Pfads oder einer nichttrivialen Schleife, die einen logischen Fehler implementiert.

Torische, planare und rotierte planare Oberflächencodes

Mehrere verwandte Geometrien sind wichtig.

Der torische Code verwendet periodische Randbedingungen und ist topologisch äquivalent zu einem Torus. Für ein Gitter der Größe d × d besitzt er 2d^2 Qubits, und sein Coderaum ist vierdimensional, sodass er zwei logische Qubits speichert.

Für Hardware sind offene Ränder oft praktischer, was zum planaren Code führt. Doch die Gestaltung der Ränder ist wichtig. Ein Oberflächencode mit nur einem Randtyp kodiert kein logisches Qubit. Um einen nichttrivialen Coderaum zu erzeugen, braucht man abwechselnde glatte und raue Ränder. Mit glatten oberen und unteren Rändern sowie rauen linken und rechten Rändern speichert der planare Code ein logisches Qubit, und die minimalen topologisch nichttrivialen Pfade haben die Länge d, was Codedistanz d ergibt.

Der rotierte planare Code ist eine Effizienzverbesserung. Laut Surface code verwendet ein rotierter planarer Code der Distanz d d^2 physikalische Qubits gegenüber d^2 + (d − 1)^2 bei der nicht rotierten planaren Variante, bei gleicher Codedistanz.

Schwellenwerte, Dekodierung und was „unterhalb der Schwelle“ bedeutet

Oberflächencodes sind auch wegen ihrer relativ hohen Schwellen unter Standard-Rauschmodellen bemerkenswert. Für ein Modell, bei dem Bit- und Phasenfehler auf jedem Qubit unabhängig mit Wahrscheinlichkeit p auftreten, berichtet Surface code:

eine kritische Wahrscheinlichkeit von rund 11% aus einer Abbildung auf die statistische Physik
etwa 10.5% bei Verwendung des weit verbreiteten Dekoders minimum weight perfect matching

Diese Zahlen sind wichtig, müssen aber eingeordnet werden. Erstens hängen sie vom angenommenen Fehlermodell ab. Zweitens ist das theoretische Limit nur dann nützlich, wenn es einen praktischen Dekoder gibt, der ihm nahekommt. Drittens schneiden manche Dekoder schlechter ab, wenn Bit- und Phasenfehler korreliert sind, etwa bei depolarisierendem Rauschen.

„Unterhalb der Schwelle“ bedeutet also nicht, dass ein System fehlerfrei ist. Es bedeutet, dass sich die logische Fehlerrate prinzipiell durch Vergrößerung des Codes senken lässt, statt die Lage zu verschlimmern.

Jenseits von Qubit-Blockcodes

Quantenfehlerkorrektur ist breiter als Blockcodes von Qubits auf Qubits. Quanteninformation kann in Qudits oder in Oszillatoren kodiert werden, die unendlich viele Energieniveaus haben. Bosonische Ansätze wie Cat-, GKP- und Binomial-Ideen nutzen Redundanz innerhalb eines einzelnen Oszillators, anstatt ein logisches Qubit über viele Zwei-Niveau-Systeme zu verteilen.

Das unterstreicht eine wichtige offene Gestaltungsfrage des Feldes: Soll Redundanz über viele physikalische Qubits hinweg leben, innerhalb höherdimensionaler Systeme oder in Hybriden aus beidem?

Wo das Feld 2025 steht

Oberflächencodes sind 2025 besonders folgenreich. Die Quantenfehlerkorrektur stellt fest, dass sie in supraleitenden Systemen logische Qubits unterhalb der Schwelle mit verbesserter Fidelität ermöglichen, und merkt gesondert an, dass Google Quantum AI auf seinem supraleitenden Willow-Prozessor einen planaren Code der Distanz 7 implementiert und damit eine physikalische Fehlerrate unterhalb der Schwelle demonstriert hat.

Das bedeutet nicht, dass die übergeordnete Herausforderung gelöst ist. Logische Qubits erfordern weiterhin erheblichen Overhead, die Dekodierung bleibt ein reales Systemproblem, und die Leistung hängt davon ab, die Codewahl auf das tatsächliche Hardware-Rauschen abzustimmen. Es zeigt jedoch, warum logische Qubits inzwischen ein praktisches Ingenieursziel und nicht nur ein theoretisches Konstrukt sind.

Die wichtigsten Punkte

Quantenfehlerkorrektur schützt fragile Quanteninformation, indem logische Qubits in größere physikalische Systeme kodiert und Fehlersyndrome wiederholt extrahiert werden.
Die Standardnotation [[n,k,d]] beschreibt den zentralen Zielkonflikt: physikalischer Overhead gegenüber geschützter logischer Kapazität und Codedistanz.
Die meisten weit verbreiteten Codes vereinfachen Hardware-Rauschen zu X-, Y- und Z-Pauli-Fehlern, obwohl reale Systeme auch Effekte wie Amplitudendämpfung und Dephasierung zeigen.
Fehlertoleranz ist wichtig, weil der Korrekturprozess selbst verrauscht ist; das Schwellentheorem besagt, dass skalierbare Berechnung nur unterhalb einer bestimmten physikalischen Fehlerrate möglich ist.
Der Fünf-Qubit-Code ist der kleinste Code, der ein logisches Qubit gegen beliebige Ein-Qubit-Fehler schützen kann.
CSS-Codes sind wertvoll, weil sie X- und Z-Stabilisatoren trennen, was bei fehlertoleranten Syndrommessungen hilft.
Oberflächencodes sind prominent, weil ihre Stabilisatoren lokal auf einem 2D-Gitter sind, was sie experimentell attraktiv macht.
Bei Oberflächencodes entspricht ein logischer Ausfall topologisch nichttrivialen Fehlerpfaden; die Codedistanz ist die minimale Größe eines solchen Pfads.
Rotierte planare Oberflächencodes verringern die Zahl der Qubits gegenüber nicht rotierten planaren Codes, ohne die Distanz zu verändern.
Berichtete Schwellenwerte und jüngste Demonstrationen sind ermutigend, doch die praktische Leistung hängt weiterhin von Hardware-Rauschen, Dekoderqualität und großem physikalischem Qubit-Overhead ab.