Corrección de errores cuánticos y cúbits lógicos, explicado

Cómo la corrección de errores cuánticos convierte muchos cúbits físicos ruidosos en cúbits lógicos más fiables, y por qué importan la distancia del código, los umbrales y los códigos de superficie.

Esta página fue traducida del inglés. Los nombres de empresas y productos, así como los enlaces a las fuentes, no se han modificado. Leer el original en inglés

La corrección de errores cuánticos es el conjunto de métodos que se utiliza para mantener utilizable la frágil información cuántica pese al ruido, la decoherencia y las operaciones imperfectas. La idea básica es codificar uno o más cúbits lógicos en una colección mayor de cúbits físicos, medir repetidamente comprobaciones cuidadosamente elegidas que revelan información sobre los errores pero no sobre el estado cuántico protegido, y después aplicar pasos de recuperación basados en el síndrome observado.

Por qué los ordenadores cuánticos necesitan corrección de errores

La información cuántica es extraordinariamente delicada. Los errores pueden proceder de la decoherencia y de otras fuentes de ruido cuántico, y en la computación cuántica práctica también hay que lidiar con puertas defectuosas, preparación imperfecta del estado y errores de medida. Eso hace que la corrección de errores sea central no solo para almacenar estados cuánticos, sino también para ejecutar cálculos largos.

La corrección clásica de errores funciona añadiendo redundancia a los bits. La corrección de errores cuánticos busca algo parecido, pero con una gran restricción: la medición directa de un cúbit generalmente perturba el estado. Por eso, un código cuántico tiene que extraer información sobre qué ha salido mal sin revelar la propia información lógica. En muchos códigos, esto se hace mediante mediciones de operadores conmutativos llamados estabilizadores.

Una forma útil de entender la promesa de la corrección de errores cuánticos es verla como una capa de simulación: dado un canal físico ruidoso que encaja en algún modelo de error, un código de corrección de errores cuánticos puede usarse para aproximar un canal lógico sin ruido lo bastante bien como para hacer práctica la comunicación o el cálculo.

Cúbits físicos, cúbits lógicos y distancia del código

Una notación estándar para un código cuántico es [[n,k,d]], lo que significa que el código codifica k cúbits lógicos en n cúbits físicos con distancia de código d.

Esos tres parámetros recogen la mayor parte de las compensaciones:

n: cuántos cúbits físicos utiliza el código
k: cuántos cúbits lógicos están protegidos
d: la distancia del código, una medida relacionada con lo difícil que es que los errores actúen como una operación lógica

La tasa del código, k/n, es una métrica básica de eficiencia. Una tasa más alta significa menos sobrecarga por cúbit lógico. Pero una mayor distancia y una mayor tasa suelen empujar en direcciones opuestas, así que diseñar un código consiste en equilibrar la fiabilidad frente al coste de hardware.

En términos generales, un ciclo de corrección de errores cuánticos tiene tres etapas:

Codificación de la información lógica en un sistema físico mayor
Almacenamiento o transmisión a través de un canal ruidoso
Extracción del síndrome y recuperación, que identifica los errores probables y los corrige

El síndrome es crucial. Las mediciones de estabilizadores se eligen para que revelen solo información sobre los errores, no sobre el estado cuántico codificado. De lo contrario, el proceso de corrección destruiría las superposiciones que el ordenador intenta preservar.

¿Qué tipos de errores intentan corregir los códigos?

Los errores dominantes dependen mucho de la plataforma de hardware. Algunos ejemplos importantes son:

Amortiguamiento de amplitud, o pérdida de excitación, asociado a la relajación hacia el equilibrio
Errores coherentes, derivados de la dinámica interna del sistema
Desfasaje, que es uno de los procesos de ruido dominantes en muchas implementaciones de cúbits

Aun así, muchos códigos cuánticos trabajan con un modelo simplificado en el que los errores se tratan como combinaciones de operaciones de Pauli:

X para errores de tipo inversión de bit
Z para errores de tipo inversión de fase
Y para errores combinados de bit y fase

Esta visión basada en Pauli no recoge todos los procesos de ruido realistas, pero se usa ampliamente porque hace más manejables el análisis y la construcción de códigos. Bajo ese modelo, la extracción del síndrome y la decodificación a menudo pueden plantearse de formas que toman ideas prestadas de la teoría clásica de códigos.

Esa simplificación viene con una advertencia: la decodificación puede seguir siendo difícil. Un código con parámetros [[n,k,d]] tiene 2^(n-k) síndromes posibles, lo que enseguida resulta demasiado grande para simples tablas de consulta. En la práctica, suelen ser necesarios algoritmos eficientes de decodificación clásica.

Tolerancia a fallos: corregir errores sin empeorar las cosas

La corrección de errores por sí sola no basta para una computación escalable. En un ordenador, la propia maquinaria de corrección usa puertas, mediciones y ancillas preparadas que también pueden fallar. Aquí es donde entra la tolerancia a fallos.

La idea central es diseñar la codificación, la medición del síndrome y la recuperación de modo que un pequeño número de fallos físicos no se propague hasta convertirse en un fallo lógico no corregible. La corrección de errores cuánticos dice que esto está ligado al teorema del umbral cuántico: los cálculos cuánticos arbitrariamente largos son posibles concatenando códigos recursivamente, siempre que la tasa de error de las puertas cuánticas individuales se mantenga por debajo de un umbral.

La corrección de errores cuánticos ofrece una estimación histórica de 2004 según la cual ese umbral podría llegar a ser de 1–3%, suponiendo que haya suficientes cúbits disponibles. También da la intuición de por qué importa un umbral: por debajo de él, la corrección elimina más errores de los que introduce; por encima, el proceso de corrección puede resultar perjudicial en términos netos.

Este concepto de umbral es una de las razones por las que los cúbits lógicos son una abstracción tan útil. Un cúbit lógico no es un único elemento del dispositivo, sino un objeto codificado cuya tasa efectiva de error puede, en principio, reducirse añadiendo más recursos físicos y usando mejores procedimientos tolerantes a fallos.

Principales familias de códigos y qué optimizan

Las distintas familias de códigos hacen diferentes concesiones entre sobrecarga, distancia, estructura y facilidad de implementación.

Familia de códigos	Idea clave	Compensación o característica destacada
Código de Shor	Se generaliza a `[[d^2,1,d]]`; utiliza códigos de repetición internos y externos para tratar por separado los errores de inversión de bit y de inversión de fase	Aumenta la distancia, pero con una tasa de código menor
Códigos de Steane / Hamming cuánticos	Sustituye la estructura de repetición por el código Hamming clásico `[7,4]` y trata los errores `X` y `Z` de forma simétrica	Mejor tasa de código que la repetición de tipo Shor
Códigos CSS	Marco general derivado de construcciones relacionadas de Calderbank, Shor y Steane	Separa los estabilizadores `X` y `Z`, lo que ayuda a la medición del síndrome tolerante a fallos
Código de cinco cúbits	Usa cuatro estabilizadores que mezclan `X` y `Z`; no es un código CSS	El código más pequeño posible que protege un cúbit lógico frente a errores arbitrarios de un solo cúbit
Código de superficie	Código estabilizador topológico en una red 2D	Las comprobaciones locales y la disposición plana son atractivas experimentalmente

El código de cinco cúbits es especialmente importante desde el punto de vista conceptual. Es el código más pequeño posible que puede proteger un cúbit lógico frente a errores arbitrarios de un solo cúbit, un hecho relacionado con la cota de Hamming cuántica.

La corrección de errores cuánticos también menciona los códigos no aditivos, que van más allá del formalismo de estabilizadores usado por los códigos aditivos [[n,k,d]]. En algunos casos pueden lograr tasas de código más altas, pero son bastante más difíciles de construir y analizar, por lo que siguen estando menos explorados.

Por qué los códigos de superficie se volvieron tan importantes

Entre las familias modernas de códigos, los códigos de superficie son fundamentales para la corrección de errores cuánticos escalable en 2025. La razón principal es arquitectónica: se definen mediante mediciones locales de estabilizadores en una red bidimensional, algo más favorable para muchas plataformas de hardware que los códigos que necesitan interacciones de largo alcance.

El código de superficie es un código estabilizador topológico. En la versión tórica introducida por Alexei Kitaev in 1997, los cúbits se sitúan en los bordes de una red 2D, y los estabilizadores se asocian con vértices y plaquetas. Los errores aparecen como violaciones de estos estabilizadores.

Una imagen útil es que un error crea o desplaza defectos localizados, descritos como anyones:

un error Z invierte los estabilizadores de vértice vecinos
un error X invierte los estabilizadores de plaqueta vecinos

La corrección consiste en emparejar y volver a aniquilar estos defectos. Si las trayectorias resultantes son topológicamente triviales, el efecto neto es solo un estabilizador y la información lógica permanece inalterada. Si una trayectoria no es topológicamente trivial, el proceso actúa como un operador lógico y la información codificada se altera.

Esa interpretación geométrica es una de las razones por las que los códigos de superficie resultan tan intuitivos. La distancia del código pasa a ser la longitud mínima de una trayectoria o bucle no trivial que implementa un error lógico.

Códigos de superficie toric, planar y planar rotado

Son importantes varias geometrías relacionadas.

El código tórico usa condiciones de contorno periódicas, topológicamente equivalentes a un toro. Para una red d × d tiene 2d^2 cúbits, y su espacio de código es de dimensión cuatro, por lo que almacena dos cúbits lógicos.

Para el hardware, los contornos abiertos suelen ser más prácticos, lo que lleva al código planar. Pero el diseño de los contornos importa. Un código de superficie con un solo tipo de contorno no codifica un cúbit lógico. Para crear un espacio de código no trivial, hacen falta contornos lisos y rugosos alternados. Con contornos lisos arriba y abajo, y contornos rugosos a izquierda y derecha, el código planar almacena un cúbit lógico, y las trayectorias topológicamente no triviales mínimas tienen longitud d, lo que da una distancia de código d.

El código planar rotado es una mejora de eficiencia. Surface code dice que un código planar rotado de distancia d usa d^2 cúbits físicos, frente a d^2 + (d − 1)^2 en la versión planar sin rotar, manteniendo la misma distancia del código.

Umbrales, decodificación y qué significa “por debajo del umbral”

Los códigos de superficie también destacan por sus umbrales relativamente altos bajo modelos de ruido estándar. Para un modelo en el que los errores de bit y de fase ocurren independientemente en cada cúbit con probabilidad p, Surface code informa de:

una probabilidad crítica de alrededor de 11% a partir de una correspondencia con la física estadística
alrededor de 10.5% al usar el decodificador ampliamente empleado de minimum weight perfect matching

Esas cifras son importantes, pero necesitan interpretación. En primer lugar, dependen del modelo de error supuesto. En segundo lugar, el límite teórico solo es útil si existe un decodificador práctico que se le acerque. En tercer lugar, algunos decodificadores rinden peor cuando los errores de bit y de fase están correlacionados, como ocurre bajo ruido despolarizante.

Así que “por debajo del umbral” no significa que un sistema esté libre de errores. Significa que, en principio, aumentar el tamaño del código puede reducir la tasa de error lógico en lugar de empeorar la situación.

Más allá de los códigos de bloque de cúbits

La corrección de errores cuánticos es más amplia que los códigos de bloque cúbit a cúbit. La información cuántica puede codificarse en qudits o en osciladores, que tienen infinitos niveles de energía. Los enfoques bosónicos como las ideas de tipo cat, GKP y binomial explotan la redundancia dentro de un único oscilador en lugar de repartir un cúbit lógico entre muchos sistemas de dos niveles.

Eso pone de relieve una importante cuestión de diseño aún abierta en el campo: ¿debe vivir la redundancia repartida entre muchos cúbits físicos, dentro de sistemas de mayor dimensionalidad, o en híbridos de ambos?

Situación del campo en 2025

Los códigos de superficie son especialmente relevantes en 2025. La corrección de errores cuánticos afirma que permiten cúbits lógicos por debajo del umbral con una fidelidad mejorada en sistemas superconductores, y además señala por separado que Google Quantum AI implementó un distance-7 planar code en su procesador superconductor Willow, demostrando una tasa de error físico por debajo del umbral.

Eso no significa que el reto más amplio esté resuelto. Los cúbits lógicos siguen requiriendo una sobrecarga sustancial, la decodificación continúa siendo un problema real de sistemas, y el rendimiento depende de ajustar la elección del código al ruido real del hardware. Pero sí indica por qué los cúbits lógicos son ahora un objetivo práctico de ingeniería y no solo una construcción teórica.

Ideas clave

La corrección de errores cuánticos protege la frágil información cuántica codificando cúbits lógicos en sistemas físicos mayores y extrayendo repetidamente síndromes de error.
La notación estándar [[n,k,d]] recoge la principal compensación: sobrecarga física frente a capacidad lógica protegida y distancia del código.
La mayoría de los códigos más usados simplifican el ruido del hardware en errores de Pauli X, Y y Z, aunque los dispositivos reales también muestran efectos como amortiguamiento de amplitud y desfasaje.
La tolerancia a fallos importa porque el propio proceso de corrección es ruidoso; el teorema del umbral dice que la computación escalable solo es posible por debajo de cierta tasa de error físico.
El código de cinco cúbits es el código más pequeño que puede proteger un cúbit lógico frente a errores arbitrarios de un solo cúbit.
Los códigos CSS se valoran porque separan los estabilizadores X y Z, lo que ayuda en la medición del síndrome tolerante a fallos.
Los códigos de superficie destacan porque sus estabilizadores son locales en una red 2D, lo que los hace atractivos experimentalmente.
En los códigos de superficie, el fallo lógico corresponde a trayectorias de error topológicamente no triviales; la distancia del código es el tamaño mínimo de una de esas trayectorias.
Los códigos de superficie planares rotados reducen el número de cúbits respecto a los códigos planares sin rotar al tiempo que preservan la distancia.
Los valores de umbral comunicados y las demostraciones recientes son alentadores, pero el rendimiento práctico sigue dependiendo del ruido del hardware, de la calidad del decodificador y de grandes sobrecargas de cúbits físicos.