مقاله کاهش نرخ خطای یک کیوبیت منطقی ابررسانا با استفاده از اطلاعات بازخوانی آنالوگ

چکیده

Quantum error correction enables the preservation of logical qubits with a lower logical error rate than the physical error rate, with performance depending on the decoding method. Traditional error decoding approaches, relying on the binarization (`hardening’) of readout data, often ignore valuable information embedded in the analog (`soft’) readout signal. We present experimental results showcasing the advantages of incorporating soft information into the decoding process of a distance-three ($d=3$) bit-flip surface code with transmons. To this end, we use the $3\times3$ data-qubit array to encode each of the $16$ computational states that make up the logical state $\ket{0_{\mathrm{L}}}$, and protect them against bit-flip errors by performing repeated $Z$-basis stabilizer measurements. To infer the logical fidelity for the $\ket{0_{\mathrm{L}}}$ state, we average across the $16$ computational states and employ two decoding strategies: minimum weight perfect matching and a recurrent neural network. Our results show a reduction of up to $6.8\%$ in the extracted logical error rate with the use of soft information. Decoding with soft information is widely applicable, independent of the physical qubit platform, and could reduce the readout duration, further minimizing logical error rates.

چکیده به فارسی (ترجمه ماشینی)

تصحیح خطای کوانتومی ، حفظ Qubits منطقی با نرخ خطای منطقی پایین تر از میزان خطای فیزیکی را امکان پذیر می کند ، با عملکرد بسته به روش رمزگشایی.رویکردهای رمزگشایی خطای سنتی ، با تکیه بر دوتایی (“سخت شدن”) داده های بازخوانی ، اغلب اطلاعات ارزشمند تعبیه شده در سیگنال بازخوانی آنالوگ (“نرم” را نادیده می گیرند.ما نتایج تجربی را نشان می دهیم که مزایای استفاده از اطلاعات نرم را در فرآیند رمزگشایی یک فاصله از فاصله سه (3 دلار) کد سطح بیت با ترانسنها نشان می دهد.برای این منظور ، ما از آرایه 3 \ times3 $ $ qubit استفاده می کنیم تا هر یک از حالتهای محاسباتی 16 $ $ را که حالت منطقی $ \ ket {0 _ {\ mathrm {l}}} $ را تشکیل می دهند ، رمزگذاری کنیم و از آنها در برابر بیت محافظت کنیمخطاهای FLIP با انجام اندازه گیری تثبیت کننده مکرر $ $-basis.برای استنباط وفاداری منطقی برای $ \ ket {0 _ {\ mathrm {l}}}} $ ، ما به طور متوسط در حالت های محاسباتی 16 دلاری به طور متوسط و از دو استراتژی رمزگشایی استفاده می کنیم: حداقل تطبیق کامل وزن و یک شبکه عصبی مکرر.نتایج ما نشان می دهد که با استفاده از اطلاعات نرم ، حداکثر 6.8 \ $ $ در نرخ خطای منطقی استخراج شده را نشان می دهد.رمزگشایی با اطلاعات نرم ، مستقل از پلتفرم quit فیزیکی ، بسیار کاربردی است و می تواند مدت زمان خواندن را کاهش دهد و نرخ خطای منطقی را به حداقل برساند.