[论文解读] Simulating Quantum Error Correction beyond Pauli Stochastic Errors

Jordan Hines, Corey Ostrove+5 more|arXiv (Cornell University)|Mar 19, 2026

Quantum Computing Algorithms and Architecture被引用 0

一句话总结

论文提出了一种可扩展的方法，通过将一般 CPTP 错误生成器映射到 QEC 电路的探测器错误模型（DEM），以对 FTQC 中非 Pauli（包括相干）级联误差进行建模，从而准确预测综合提取和魔珠态培养的性能。

ABSTRACT

Quantum error correction (QEC), the lynchpin of fault-tolerant quantum computing (FTQC), is designed and validated against well-behaved Pauli stochastic error models. But in real-world deployment, QEC protocols encounter a vast array of other errors -- coherent and non-Pauli errors -- whose impacts on quantum circuits are vastly different than those of stochastic Pauli errors. The impacts of these errors on QEC and FTQC protocols have been largely unpredictable to date due to exponential classical simulation cost. Here, we show how to accurately and efficiently model the effects of coherent and non-Pauli errors on FTQC, and we study the effects of such errors on syndrome extraction for surface and bivariate bicycle codes, and on magic state cultivation. Our analysis suggests that coherent error can shift fault-tolerance thresholds, increase the space-time cost of magic state cultivation, and can increase logical error rates by an order of magnitude compared to equivalent stochastic errors. These analyses are enabled by a new technique for mapping any Markovian circuit-level error model with sufficiently small error rates onto a detector error model (DEM) for an FTQC circuit. The resulting DEM enables Monte Carlo estimation of logical error rates and noise-adapted decoding, and its parameters can be analytically related to the underlying physical noise parameters to enable approximate strong simulation.

研究动机与目标

• 在现实、非 Pauli 错误（超越 Pauli-随机模型）下，激励并实现对容错预测的准确性研究。
• 开发一种可扩展的扰动方法，将一般电路级误差映射到基于探测器事件的 FTQC 电路模型。
• 量化相干误差如何影响综合提取、解码性能和代表性 QEC 码的魔珠态培养。
• 提供一个框架，用于针对硬件特定的相干误差谱定制 QEC 与解码器。

提出的方法

• 将电路错误表示为 CPTP 映射，并在 Elementary Error Generator (EEG) 基中表示为 E = exp(G)。
• 高效地在克里福德电路中传播误差，以获得电路误差通道 Ec = exp(Gc) 并使用 DEM 事件类将 Gc 分解为单一 DEM 事件分量。
• 通过 Zassenhaus 展开将 Ec 近似为单一事件通道的乘积，以捕捉主导误差效应。
• 构建 Detector Error Models (DEMs)，将误差映射到对被测 Pauli 可观测量的探测器翻转，从而实现对探测历史的快速采样。
• 将 DEM 事件率与潜在物理误差参数相关联，提供解析灵敏度关系和第一阶预测。
• 将 DEM 框架应用于表面码综合提取、颜色码魔珠态培养，以及解码器性能，以比较相干误差与 Pauli 扭转误差的差异。

实验结果

研究问题

• RQ1 相干性和非 Pauli 的电路级误差相较于 Pauli-随机模型，如何影响 QEC 的综合提取和逻辑错误率？
• RQ2 探测器误差模型（DEM）是否能够在不同码和解码器下，对一般马克ovian误差高效且准确地预测 FTQC 的性能？
• RQ3 相干误差如何影响容错阈值和魔珠态培养的资源成本？

主要发现

• 相干误差可能使逻辑失败率上升、阈值偏移，在最坏情况下相对于等效随机误差的增幅可超过 8 倍。
• 通过所提出方法构建的 DEM 在预测综合和逻辑可观测量分布方面比 Pauli-扭曲模型更准确，主导事件的一阶预测相对精度通常在 1-2% 左右。
• 具有相同生成器保真度的不同误差模型会产生显著不同的阈值和逻辑错误率，强调误差形式超越强度的重要性。
• 定制的 DEM 在某些高保真、高距离区域可带来中等幅度的逻辑错误改进，但在次阈值、高距离操作下增益可能减弱。
• 相干两量子比特门误差相对于同等强度的随机误差，可能增加魔珠态培养的时空成本。
• 在某些场景下，相干空闲误差在综合提取中可能部分抵消，导致 Pauli-扭曲模型在测试情形中高估逻辑错误率，最高约 24% 左右。
• 该框架提供了将探测器结果与相干误差参数联系的解析灵敏度，有助于对硬件定制的 QEC 优化。