[论文解读] Between Shor and Steane: A unifying construction for measuring error syndromes

Shilin Huang, Kenneth R. Brown|arXiv (Cornell University)|Dec 30, 2020

Quantum Computing Algorithms and Architecture参考文献 41被引用 18

一句话总结

本文提出了一类统一的容错逻辑符测量电路，适用于Calderbank-Shor-Steane（CSS）码，该方法在Shor与Steane方案之间实现插值。通过在表面码上使用尺寸为$m \times m$的辅助比特块，该方法将测量轮数减少至$O(L/m)$，在辅助比特准备复杂度与数据-辅助比特门数之间实现平衡，从而在时间开销上优于Shor方案，在资源消耗上优于Steane方案，实现了更低的容错错误校正时间开销。

ABSTRACT

Fault-tolerant quantum error correction requires the measurement of error syndromes in a way that minimizes correlated errors on the quantum data. Steane and Shor ancilla are two well-known methods for fault-tolerant syndrome extraction. In this paper, we find a unifying construction that generates a family of ancilla blocks that interpolate between Shor and Steane. This family increases the complexity of ancilla construction in exchange for reducing the rounds of measurement required to fault-tolerantly measure the error. We then apply this construction to the toric code of size $L imes L$ and find that blocks of size $m imes m$ can be used to decode errors in $O(L/m)$ rounds of measurements. Our method can be applied to any Calderbank-Shor-Steane codes and presents a new direction for optimizing fault-tolerant quantum computation.

研究动机与目标

• 将Shor与Steane的逻辑符测量方案统一为一个连续的构造家族。
• 通过增加辅助比特块复杂度，降低容错逻辑符测量的时间开销。
• 在量子误差校正中优化数据-辅助比特门数与测量轮数之间的权衡。
• 将该构造应用于表面码，并分析其时间开销与容错特性。
• 通过数值模拟证明，在电路级噪声模型下，该方法可实现更高的逻辑错误阈值。

提出的方法

• 基于奇偶校验矩阵的分解，提出一类适用于CSS码的逻辑符测量小工具。
• 引入“横向小工具”，实现同类型稳定算符的并行测量。
• 使用尺寸为$m \times m$的辅助比特块，测量表面码连通子晶格上的plaquette算符。
• 通过周期性偏移划分策略，在$O(L/m)$轮测量内实现容错。
• 利用CSS码的结构，统一了基于猫态的Shor方案与基于分块的Steane方案。
• 采用与事后选择和态提纯兼容的框架，用于辅助比特准备。

实验结果

研究问题

• RQ1 能否构造一个连续的逻辑符测量电路家族，使其在Shor与Steane方案之间实现插值？
• RQ2 增加辅助比特块尺寸如何影响容错逻辑符测量所需的测量轮数？
• RQ3 在表面码上使用中等尺寸的辅助比特块时，容错逻辑符测量的时间开销是多少？
• RQ4 在电路级噪声下，该方法能否实现高于现有方案的逻辑错误阈值？
• RQ5 表面码晶格的划分策略如何影响容错性与测量轮数？

主要发现

• 所提出的工具家族将Shor与Steane方案作为极端情况包含在内：$m=1$对应Shor方案，$m=L$对应Steane方案。
• 对于$L \times L$的表面码，使用$m \times m$的辅助比特块，可在$O(L/m)$轮内实现容错逻辑符测量。
• 数值模拟表明，在某些电路级噪声模型下，该方法可实现高于Shor型测量的逻辑错误阈值。
• 与Shor方案相比，该方法在数据与辅助比特之间减少了两比特门的数量，代价是使用了更大的辅助比特块。
• 该框架适用于任意CSS码，且与事后选择和态提纯兼容，可用于辅助比特准备。
• 时间开销可被解析界定，其量级为$O(L/m)$，优于Shor的$O(L)$轮，同时相比Steane的单轮方法减少了门数。