Квантовая коррекция ошибок и логические кубиты: объясняем простыми словами

Как квантовая коррекция ошибок превращает множество шумных физических кубитов в более надёжные логические кубиты и почему важны кодовое расстояние, пороговые значения и поверхностные коды.

Эта страница переведена с английского. Названия компаний и продуктов, а также ссылки на источники оставлены без изменений. Читать оригинал на английском

Квантовая коррекция ошибок — это совокупность методов, позволяющих сохранять хрупкую квантовую информацию пригодной к использованию несмотря на шум, декогеренцию и несовершенство операций. Базовая идея состоит в том, чтобы закодировать один или несколько логических кубитов в большем наборе физических кубитов, многократно измерять тщательно выбранные проверки, которые выявляют информацию об ошибках, но не раскрывают защищённое квантовое состояние, а затем применять процедуры восстановления на основе наблюдаемого синдрома.

Почему квантовым компьютерам нужна коррекция ошибок

Квантовая информация необычайно хрупка. Ошибки могут возникать из-за декогеренции и других источников квантового шума, а в практических квантовых вычислениях приходится также иметь дело с ошибочными вентилями, несовершенной подготовкой состояний и ошибками измерения. Поэтому коррекция ошибок критически важна не только для хранения квантовых состояний, но и для выполнения длительных вычислений.

Классическая коррекция ошибок работает за счёт добавления избыточности к битам. Квантовая коррекция ошибок стремится к схожей цели, но с важным ограничением: прямое измерение кубита обычно возмущает его состояние. Поэтому квантовый код должен извлекать информацию о том, что пошло не так, не раскрывая при этом саму логическую информацию. Во многих кодах это достигается через измерения коммутирующих операторов, называемых стабилизаторами.

Полезно рассматривать обещание квантовой коррекции ошибок как симуляционный слой: если дан шумный физический канал, соответствующий некоторой модели ошибок, то квантовый код коррекции ошибок можно использовать для достаточно точного приближения бесшумного логического канала, чтобы сделать коммуникацию или вычисления практичными.

Физические кубиты, логические кубиты и кодовое расстояние

Стандартное обозначение квантового кода — [[n,k,d]], что означает: код кодирует k логических кубитов в n физических кубитах с кодовым расстоянием d.

Эти три параметра отражают большую часть компромиссов:

n: сколько физических кубитов использует код
k: сколько логических кубитов защищено
d: кодовое расстояние, величина, связанная с тем, насколько трудно ошибкам действовать как логическая операция

Скорость кода, k/n, — базовая метрика эффективности. Более высокая скорость означает меньшие накладные расходы на один логический кубит. Но большее расстояние и более высокая скорость, как правило, тянут в противоположные стороны, поэтому проектирование кодов — это баланс между надёжностью и стоимостью аппаратуры.

В общих чертах цикл квантовой коррекции ошибок состоит из трёх этапов:

Кодирование логической информации в более крупную физическую систему
Хранение или передача через шумный канал
Извлечение синдрома и восстановление, при котором определяются наиболее вероятные ошибки и выполняется их исправление

Синдром здесь играет ключевую роль. Измерения стабилизаторов подбираются так, чтобы раскрывать только информацию об ошибках, но не закодированное квантовое состояние. Иначе процесс коррекции разрушил бы суперпозиции, которые компьютер пытается сохранить.

На какие виды ошибок нацелены коды?

Доминирующие ошибки сильно зависят от аппаратной платформы. Важные примеры включают:

Амплитудное затухание (amplitude damping), или потерю возбуждения, связанную с релаксацией к равновесию
Когерентные ошибки, возникающие из внутренней динамики системы
Дефазировку, которая является одним из доминирующих процессов шума во многих реализациях кубитов

Тем не менее многие квантовые коды работают с упрощённой моделью, в которой ошибки рассматриваются как комбинации операций Паули:

X для ошибок типа переворота бита
Z для ошибок типа переворота фазы
Y для комбинированных битовых и фазовых ошибок

Эта картина на основе операторов Паули не описывает все реалистичные процессы шума, но широко используется, поскольку делает анализ и построение кодов более управляемыми. В рамках этой модели извлечение синдрома и декодирование часто можно формулировать способами, заимствующими идеи из классической теории кодирования.

У этого упрощения есть оговорка: декодирование всё равно может быть трудной задачей. Код с параметрами [[n,k,d]] имеет 2^(n-k) возможных синдромов, что быстро становится слишком большим для простых таблиц поиска. На практике обычно требуются эффективные классические алгоритмы декодирования.

Отказоустойчивость: как исправлять ошибки, не делая хуже

Одной коррекции ошибок недостаточно для масштабируемых вычислений. В компьютере сама система коррекции использует вентили, измерения и подготовленные вспомогательные кубиты, которые тоже могут давать сбои. Здесь в дело вступает отказоустойчивость.

Ключевая идея состоит в том, чтобы спроектировать кодирование, измерение синдрома и восстановление так, чтобы небольшое число физических сбоев не распространялось в некорректируемый логический отказ. Квантовая коррекция ошибок связывает это с теоремой о квантовом пороге: сколь угодно длинные квантовые вычисления возможны при рекурсивной конкатенации кодов, если уровень ошибок отдельных квантовых вентилей остаётся ниже порога.

В материале по квантовой коррекции ошибок приводится историческая оценка 2004 года, согласно которой этот порог может достигать 1–3% при условии наличия достаточного числа кубитов. Там же даётся интуитивное объяснение того, почему порог важен: ниже него коррекция устраняет больше ошибок, чем вносит; выше него процесс коррекции в сумме может стать вредным.

Концепция порога — одна из причин, почему логические кубиты являются столь полезной абстракцией. Логический кубит — это не отдельный элемент устройства, а закодированный объект, эффективную частоту ошибок которого в принципе можно снижать, добавляя больше физических ресурсов и используя более совершенные отказоустойчивые процедуры.

Основные семейства кодов и что именно они оптимизируют

Разные семейства кодов делают разные компромиссы между накладными расходами, расстоянием, структурой и простотой реализации.

Семейство кодов	Ключевая идея	Заметный компромисс или особенность
Код Shor	Обобщается до `[[d^2,1,d]]`; использует внутренние и внешние коды повторения для раздельной обработки битовых и фазовых ошибок	Увеличивает расстояние, но при более низкой скорости кода
Коды Steane / квантовые коды Хэмминга	Заменяет структуру повторения классическим кодом Хэмминга `[7,4]` и симметрично обрабатывает ошибки `X` и `Z`	Лучшая скорость кода по сравнению с повторительными кодами в стиле Shor
CSS-коды	Общая схема, происходящая из связанных конструкций Calderbank, Shor и Steane	Разделяет стабилизаторы `X` и `Z`, что полезно для отказоустойчивого измерения синдрома
Пятикубитный код	Использует четыре стабилизатора, смешивающих `X` и `Z`; не является CSS-кодом	Наименьший возможный код, защищающий один логический кубит от произвольных одно-кубитных ошибок
Поверхностный код	Топологический стабилизаторный код на двумерной решётке	Локальные проверки и планарная компоновка экспериментально привлекательны

Пятикубитный код особенно важен с концептуальной точки зрения. Это наименьший возможный код, способный защитить один логический кубит от произвольных одно-кубитных ошибок; этот факт связан с квантовой границей Хэмминга.

В материале по квантовой коррекции ошибок также упоминаются неаддитивные коды, выходящие за рамки стабилизаторного формализма, используемого в аддитивных кодах [[n,k,d]]. В некоторых случаях они могут обеспечивать более высокую скорость кода, но их значительно труднее строить и анализировать, поэтому они остаются менее изученными.

Почему поверхностные коды стали такими важными

Среди современных семейств кодов поверхностные коды играют ключевую роль для масштабируемой квантовой коррекции ошибок в 2025 году. Главная причина — архитектурная: они определяются через локальные измерения стабилизаторов на двумерной решётке, что удобнее для многих аппаратных платформ, чем коды, требующие дальнодействующих взаимодействий.

Поверхностный код — это топологический стабилизаторный код. В торической версии, предложенной Alexei Kitaev в 1997 году, кубиты располагаются на рёбрах двумерной решётки, а стабилизаторы связаны с вершинами и плакетками. Ошибки проявляются как нарушения этих стабилизаторов.

Полезная интуитивная картина состоит в том, что ошибка создаёт или перемещает локализованные дефекты, описываемые как энионы:

ошибка Z переворачивает соседние вершинные стабилизаторы
ошибка X переворачивает соседние плакеточные стабилизаторы

Коррекция сводится к спариванию этих дефектов и их повторной аннигиляции. Если получающиеся пути топологически тривиальны, суммарный эффект — просто стабилизатор, и логическая информация не меняется. Если путь топологически нетривиален, процесс действует как логический оператор и изменяет закодированную информацию.

Эта геометрическая интерпретация — одна из причин, почему поверхностные коды настолько интуитивны. Кодовое расстояние становится минимальной длиной нетривиального пути или петли, реализующих логическую ошибку.

Торические, планарные и повёрнутые планарные поверхностные коды

Важны несколько связанных геометрий.

Торический код использует периодические граничные условия, топологически эквивалентные тору. Для решётки d × d он содержит 2d^2 кубитов, а его кодовое пространство четырёхмерно, поэтому он хранит два логических кубита.

Для аппаратной реализации открытые границы часто практичнее, что приводит к планарному коду. Но конструкция границ здесь имеет значение. Поверхностный код только с одним типом границы не кодирует логический кубит. Чтобы создать нетривиальное кодовое пространство, нужны чередующиеся гладкие и шероховатые границы. При гладких верхней и нижней границах и шероховатых левой и правой границах планарный код хранит один логический кубит, а минимальные топологически нетривиальные пути имеют длину d, что даёт кодовое расстояние d.

Повёрнутый планарный код — это улучшение эффективности. Surface code сообщает, что повёрнутый планарный код с расстоянием d использует d^2 физических кубитов против d^2 + (d − 1)^2 у неповёрнутой планарной версии при сохранении того же кодового расстояния.

Пороговые значения, декодирование и что значит «ниже порога»

Поверхностные коды также примечательны сравнительно высокими порогами в стандартных моделях шума. Для модели, в которой битовые и фазовые ошибки происходят независимо на каждом кубите с вероятностью p, Surface code приводит:

критическую вероятность около 11% из отображения на задачу статистической физики
около 10.5% при использовании широко распространённого декодера minimum weight perfect matching

Эти числа важны, но требуют интерпретации. Во-первых, они зависят от предполагаемой модели ошибок. Во-вторых, теоретический предел полезен лишь тогда, когда существует практический декодер, который к нему приближается. В-третьих, некоторые декодеры работают хуже, когда битовые и фазовые ошибки коррелированы, например при деполяризующем шуме.

Поэтому «ниже порога» не означает, что система свободна от ошибок. Это означает, что в принципе увеличение размера кода может уменьшать логическую частоту ошибок, а не ухудшать ситуацию.

За пределами блочных кодов для кубитов

Квантовая коррекция ошибок шире, чем блочные коды, отображающие кубиты в кубиты. Квантовую информацию можно кодировать в кудитах или в осцилляторах, которые имеют бесконечно много энергетических уровней. Бозонные подходы, такие как cat-, GKP- и binomial-подобные идеи, используют избыточность внутри одного осциллятора, а не распределяют один логический кубит по множеству двухуровневых систем.

Это подчёркивает важный открытый вопрос проектирования в этой области: где должна находиться избыточность — между многими физическими кубитами, внутри систем большей размерности или в гибридах обоих подходов?

Где находится отрасль в 2025 году

Поверхностные коды особенно значимы в 2025 году. В материале по квантовой коррекции ошибок говорится, что они позволяют получать логические кубиты ниже порога с повышенной точностью в сверхпроводниковых системах, а отдельно отмечается, что Google Quantum AI реализовала планарный код расстояния 7 на своём сверхпроводниковом процессоре Willow, продемонстрировав физическую частоту ошибок ниже порога.

Это не означает, что более широкая задача уже решена. Логические кубиты по-прежнему требуют существенных накладных расходов, декодирование остаётся реальной системной проблемой, а производительность зависит от того, насколько выбор кода соответствует реальному шуму аппаратуры. Но это показывает, почему логические кубиты теперь стали практической инженерной целью, а не только теоретической конструкцией.

Ключевые выводы

Квантовая коррекция ошибок защищает хрупкую квантовую информацию, кодируя логические кубиты в более крупных физических системах и многократно извлекая синдромы ошибок.
Стандартное обозначение [[n,k,d]] отражает главный компромисс: физические накладные расходы против защищённой логической ёмкости и кодового расстояния.
Большинство широко используемых кодов сводят аппаратный шум к ошибкам Паули X, Y и Z, хотя реальные устройства также демонстрируют такие эффекты, как амплитудное затухание и дефазировка.
Отказоустойчивость важна, потому что сам процесс коррекции тоже шумный; теорема о пороге говорит, что масштабируемые вычисления возможны только ниже определённой физической частоты ошибок.
Пятикубитный код — наименьший код, способный защитить один логический кубит от произвольных одно-кубитных ошибок.
CSS-коды ценятся за то, что разделяют стабилизаторы X и Z, а это помогает в отказоустойчивом измерении синдрома.
Поверхностные коды заметны потому, что их стабилизаторы локальны на двумерной решётке, что делает их экспериментально привлекательными.
В поверхностных кодах логический отказ соответствует топологически нетривиальным путям ошибок; кодовое расстояние — это минимальный размер такого пути.
Повёрнутые планарные поверхностные коды уменьшают число кубитов по сравнению с неповёрнутыми планарными кодами, сохраняя расстояние.
Сообщаемые пороговые значения и недавние демонстрации выглядят обнадёживающе, но практическая производительность по-прежнему зависит от аппаратного шума, качества декодера и больших накладных расходов по числу физических кубитов.