DOI: https://doi.org/10.1007/s42484-026-00347-y
تاريخ النشر: 2026-01-19
المؤلف: Eromanga Adermann وآخرون
الموضوع الرئيسي: خوارزميات وهندسة الحوسبة الكمومية
نظرة عامة
تبحث الدراسة في دمج تصحيح الأخطاء الكمي (QEC) ضمن أطر تعلم الآلة الكمي (QML)، تحديدًا من خلال تنفيذ مصنف كمي متغير (VQC) يصنف التماثل باستخدام كود مثبت للكشف عن الأخطاء [[4,2,2]] في بيئة محاكاة صاخبة. تمثل هذه الدراسة التطبيق الأول لكود كشف الأخطاء القائم على المثبت في سياق QML. تكشف النتائج أن استخدام كود المثبت يعزز دقة التدريب عند التقارب مقارنة بتنفيذات QML بدون كشف الأخطاء. ومع ذلك، فإن فعالية هذا النهج تعتمد على الحفاظ على معدلات خطأ الكيوبتات المساعدة تحت عتبات معينة، حيث يمكن أن تنتشر الأخطاء في الكيوبتات المساعدة إلى الكيوبتات الفيزيائية، مما يقيد الحد الأقصى للدقة القابلة للتحقيق لنموذج QML.
تشير النتائج إلى أنه بينما يمكن أن يحسن كشف الأخطاء الكمي دقة التدريب في البيئات الصاخبة، فإن القدرة على تحسين QEC لتنفيذات QML غير المقاومة للأخطاء على المدى القريب محدودة بمعدلات خطأ الكيوبتات المساعدة. تم تحديد عتبات لمعدلات خطأ الكيوبتات المساعدة على أنها $p_{\text{anc}} = 0.003$ و $p_{\text{anc}} = 0.004$ لتحقيق حد أدنى من دقة التدريب يبلغ 0.90 تحت نماذج ضوضاء البوابة وضوضاء البيئة، على التوالي. تشير هذه العتبات إلى أن تنفيذات QML العملية على أجهزة الكم المتوسطة الضوضاء (NISQ) يجب أن تأخذ في الاعتبار كل من الترميز المنطقي لكود QEC وقدرته على كشف أنواع مختلفة من الأخطاء. كما تبرز الدراسة الفوائد المحتملة لاستخدام استراتيجيات تخفيف الأخطاء الإضافية، مثل الكيوبتات الإشارية، لمنع انتشار الأخطاء من الكيوبتات المساعدة إلى الكيوبتات الفيزيائية، مما يعزز موثوقية خوارزميات QML في التطبيقات العملية.
مقدمة
تناقش مقدمة هذه الورقة البحثية دمج الحوسبة الكمومية مع تعلم الآلة، تحديدًا من خلال خوارزميات تعلم الآلة الكمومية (QML)، التي تستفيد من الظواهر الكمومية مثل التراكب. ومع ذلك، فإن تعرض الأجهزة الكمومية للضوضاء يطرح تحديات كبيرة، مما يؤدي إلى أخطاء يمكن أن تؤثر على المخرجات الحسابية. لمعالجة هذه القضايا، تم تطوير استراتيجيات متنوعة، بما في ذلك الخوارزميات التقريبية مثل خوارزمية تحسين الكم التقريبية، والنهج الاستدلالية، وتقنيات مثل التقطير الافتراضي وفك الارتباط الديناميكي، جميعها تهدف إلى تقليل الضوضاء وتعزيز دقة الحساب.
تسلط الورقة الضوء على أهمية أكواد تصحيح الأخطاء الكمومية (QEC)، التي تعتبر ضرورية لتحقيق القابلية للتوسع ومقاومة الأخطاء في الخوارزميات الكمومية. أسست الأبحاث المبكرة في QEC نظرية العتبة، التي تشير إلى أن الحوسبة الكمومية المقاومة للأخطاء ممكنة إذا ظلت معدلات الأخطاء الفيزيائية تحت عتبة معينة. على الرغم من التقدم في QEC، بما في ذلك تطوير أكواد متنوعة مثل أكواد السطح وأكواد باكون-شور، لا تزال التطبيقات العملية تواجه تحديات بسبب ارتفاع تكاليف الموارد، مما يتطلب عددًا كبيرًا من الكيوبتات. يقدم المؤلفون دراستهم الرائدة حول تنفيذ خوارزمية QML باستخدام كود مثبت، تحديدًا كود [[4,2,2]]، من خلال محاكاة كلاسيكية لمصنف كمي متغير (VQC). يهدفون إلى تقليل تكاليف الموارد مع إظهار أن هناك معدل خطأ عتبة موجود للكيوبتات المساعدة، يتجاوزها يفشل كود المثبت في الحفاظ على دقة التدريب وموثوقية الحالة. يتم مناقشة تداعيات هذه النتائج على التطبيق العملي لخوارزميات QML في عصر الكم المتوسطة الضوضاء (NISQ) في الخاتمة.
مناقشة
في هذا القسم، يقدم المؤلفون مناقشة مفصلة لإطار تنفيذهم لمصنف كمي متغير (VQC) مكون من 2 كيوبت والترميز المنطقي باستخدام كود مثبت كالدر بانك-شور-ستين (CSS) [[4,2,2]]. يهدف VQC، المصمم لتصنيف تماثل الكيوبت، إلى تحقيق دقة تبلغ 1.0 خلال 100 دورة تدريبية باستخدام معامل دوران واحد، $\theta$. يتم استخدام كود CSS للكشف عن الأخطاء، حيث يتم ترميز كيوبتين منطقيتين بأربعة كيوبتات فيزيائية، مما يسمح بالكشف عن أخطاء الكيوبت الفردي من خلال استخراج المتلازمات. يصف المؤلفون عملية الترميز المنطقي، بما في ذلك استخدام الكيوبتات المساعدة لتنفيذ بوابات الدوران، ويفصلون تمثيل الحالة الكمومية للنظام، الذي يتضمن كل من الحالات المنطقية والمساعدة.
يستكشف المؤلفون أيضًا تأثير الضوضاء ونماذج الأخطاء على دقة تدريب VQC. يحددون نوعين من الضوضاء غير المتماسكة—ضوضاء بوابة احتمالية وضوضاء بيئية—تؤثر على الكيوبتات أثناء العمليات. تكشف المحاكاة أن دقة تدريب VQC تتأثر بشكل كبير بمستويات الضوضاء، حيث تؤدي الضوضاء العالية إلى تقليل الدقة وزيادة التباين في النتائج. يتم تقييم فعالية كود المثبت [[4,2,2]] من خلال تغيير عدد جولات استخراج المتلازمات، مما يظهر أنه بينما تحسن مستويات الضوضاء المنخفضة نتائج التدريب، فإن مستويات الضوضاء العالية تقلل من موثوقية كشف الأخطاء. تشير النتائج إلى أن أخطاء الكيوبتات المساعدة تنتشر إلى الكيوبتات الفيزيائية، مما يعقد تصحيح الأخطاء ويحد من الحد الأقصى لدقة التدريب القابلة للتحقيق، مما يبرز التحديات في تنفيذ خوارزميات تعلم الآلة الكمومية في أجهزة الكم المتوسطة الضوضاء (NISQ).
DOI: https://doi.org/10.1007/s42484-026-00347-y
Publication Date: 2026-01-19
Author(s): Eromanga Adermann et al.
Primary Topic: Quantum Computing Algorithms and Architecture
Overview
The research investigates the integration of quantum error correction (QEC) within quantum machine learning (QML) frameworks, specifically through the implementation of a parity-classifying Variational Quantum Classifier (VQC) using the [[4,2,2]] error-detecting stabilizer code in a simulated noisy environment. This study marks the first application of a stabilizer-based error detection code in a QML context. The findings reveal that employing the stabilizer code enhances training accuracy at convergence compared to QML implementations without error detection. However, the effectiveness of this approach is contingent upon maintaining ancilla qubit error rates below specific thresholds, as errors in ancilla qubits can propagate to physical qubits, thereby constraining the maximum achievable accuracy of the QML model.
The results indicate that while quantum error detection can improve training accuracies in noisy environments, the potential for QEC to enhance near-term, non-fault tolerant QML implementations is limited by the ancilla error rates. Specifically, thresholds for ancilla error rates were identified as $p_{\text{anc}} = 0.003$ and $p_{\text{anc}} = 0.004$ for achieving a minimum training accuracy of 0.90 under gate noise and environmental noise models, respectively. These thresholds suggest that practical QML implementations on Noisy Intermediate-Scale Quantum (NISQ) devices must consider both the logical encoding of the QEC code and its capacity to detect various error types. The study also highlights the potential benefits of employing additional error mitigation strategies, such as flag qubits, to prevent error propagation from ancilla to physical qubits, thereby enhancing the reliability of QML algorithms in practical applications.
Introduction
The introduction of this research paper discusses the integration of quantum computing with machine learning, specifically through quantum machine learning (QML) algorithms, which leverage quantum phenomena such as superposition. However, the vulnerability of quantum devices to noise poses significant challenges, leading to errors that can compromise computational outputs. To address these issues, various strategies have been developed, including approximate algorithms like the Quantum Approximate Optimization Algorithm, heuristic approaches, and techniques such as virtual distillation and dynamical decoupling, all aimed at reducing noise and enhancing computational fidelity.
The paper highlights the importance of Quantum Error Correction (QEC) codes, which are essential for achieving scalability and fault tolerance in quantum algorithms. Early research in QEC established the Threshold Theorem, indicating that fault-tolerant quantum computation is feasible if physical error rates remain below a certain threshold. Despite advancements in QEC, including the development of various codes like surface codes and Bacon-Shor codes, practical implementations still face challenges due to high resource overhead, necessitating a large number of qubits. The authors present their pioneering study on implementing a QML algorithm using a stabiliser code, specifically the [[4,2,2]] code, through classical simulations of a Variational Quantum Classifier (VQC). They aim to minimize resource overhead while demonstrating that a threshold error rate exists for ancilla qubits, beyond which the stabiliser code fails to maintain training accuracy and state fidelity. The implications of these findings for the practical application of QML algorithms in the Noisy Intermediate-Scale Quantum (NISQ) era are discussed in the conclusion.
Discussion
In this section, the authors present a detailed discussion of their implementation framework for a 2-qubit Variational Quantum Classifier (VQC) and the logical encoding using the [[4,2,2]] Calderbank-Shor-Steane (CSS) stabiliser code. The VQC, designed to classify qubit parity, achieves an accuracy of 1.0 within 100 training iterations using a single rotational parameter, $\theta$. The CSS code is employed for error detection, encoding two logical qubits with four physical qubits, allowing for the detection of single-qubit errors through syndrome extraction. The authors describe the logical encoding process, including the use of ancilla qubits for implementing rotation gates, and detail the quantum state representation of the system, which incorporates both logical and ancilla states.
The authors also explore the impact of noise and error models on the training accuracy of the VQC. They identify two types of incoherent noise—probabilistic gate noise and environmental noise—affecting qubits during operations. Simulations reveal that the VQC’s training accuracy is significantly influenced by noise levels, with higher noise leading to reduced accuracy and increased variance in results. The effectiveness of the [[4,2,2]] stabiliser code is assessed through varying numbers of syndrome extraction rounds, demonstrating that while low noise levels improve training outcomes, higher noise levels diminish the reliability of error detection. The findings suggest that ancilla qubit errors propagate into physical qubits, complicating error correction and limiting the maximum achievable training accuracy, thus highlighting the challenges of implementing quantum machine learning algorithms in noisy intermediate-scale quantum (NISQ) devices.