Plaquette：一个面向容错量子计算机的硬件感知设计平台

论文信息

标题: Plaquette: A hardware-aware design platform for fault-tolerant quantum computers

作者: Raul Conchello Vendrell, Carlos Díaz López, Ish Dhand, et al.

发布日期: 2026-07-09

PDF 链接: 下载 PDF

背景与动机：从泡利噪声到真实硬件

容错量子计算机的设计依赖于对物理噪声的精确建模。阈值定理告诉我们，只要每个操作的噪声低于某个临界值，量子纠错码就可以将逻辑错误率压制到任意低水平。然而，定理本身基于抽象的故障率假设，真实硬件产生的噪声往往无法被简化为随机泡利通道。在超导量子比特中，驱动脉冲会导致能级泄漏；在中性原子平台，里德堡激发会带来中间态散射；在离子阱系统，声子吸收引起的加热会随时间累积；此外，控制场校准误差还会引入相干过旋转。这些过程无法被稳定子模拟器直接处理，而现有做法通常依赖泡利缠绕、时间平均或预设的简化模型，但这些转换费时费力，且每次硬件模型变更都需要重新推导和验证，结果的保真度严重依赖假设。

为解决这一鸿沟，论文提出了 Plaquette——一个硬件感知的容错量子计算机设计平台。其核心思想是：硬件噪声应仅被定义一次，用完全正定且保迹的量子通道表示，然后由框架自动编译为各个采样器所需的表示，从而在不同精度和可扩展性层级上评估逻辑性能。这种方法使得设计团队能够直接基于可测量的物理参数（退相干时间、泄漏率、加热速率等）获取阈值、错误预算和资源开销，无需手动抽象。

核心方法与技术细节

框架总览

Plaquette 的工作流将输入分为两部分：无噪声电路和物理误差模型。无噪声电路可由内置的量子纠错码库（支持表面码、重复码、颜色码、qLDPC 码等多种码族）自动生成，也可由用户提供。误差模型则指定每个电路位置上的 CPTP 通道，可以用 Kraus 算子、Lindblad 主方程传播算符、过程矩阵、泡利转移矩阵或准概率分解等多种形式定义。框架将这些通道编译为四种采样器之一的内部表示，并同时为解码器生成一个基于泡利缠绕的探测器误差模型。采样器输出经典测量记录，解码器据此预测逻辑观测量的值，最终得到逻辑失效概率 $P_{\text{fail}}(\chi; \eta)$ 。对不同的硬件参数 $\eta$ 和码距 $d$ 重复此流程，即可提取阈值和抑制因子。

采样器层次：精度与可扩展性的权衡

Plaquette 提供了四个采样器类别：

Stim 采样器：处理随机泡利噪声和擦除噪声，利用表格法实现高效的稳定子仿真，但忽略了所有非泡利结构。
XPauli 采样器：专为泄漏、散射和扇区跃迁设计。它将量子比特扩展为三元组 $(\rho_{Q_{\text{comp}}}, x_i, \sigma_i)$ ，其中 $\rho_{Q_{\text{comp}}}$ 是位于计算子空间内的稳定子态， $x_i$ 记录比特是否泄漏（如能级标签）， $\sigma_i$ 记录环境扇区（如振动声子数）。采样分两步：首先对扇区标签进行经典随机游走，生成一条跃迁轨迹；然后根据该轨迹构建一个只对计算子空间作用的有效 Clifford 电路，再用稳定子方法采样。该方法代价多项式增长，可捕获泄漏和与之伴随的泡利错误，且无需预先指定固定的泡利错误率。
近 Clifford 采样器：处理相干和非幺正通道。提供两种准概率方式：通用通道分解和幺正算子分解。前者将通道分解为带符号的 Clifford 通道之和 $\mathcal{E} = \sum \alpha_k \Phi_k$ ，后者将幺正操作分解为 $U = \sum c_i C_i$ ，通过采样不同的左右 Clifford 对并累加复权重来恢复逻辑观测量的期望值。开销由鲁棒性（ $R_{\text{ch}}$ 或 $R_{\text{op}}$ ）决定，与电路中的量子比特数分离，特别适合研究相干旋转的影响。
全态采样器：基于 CPU 的 Cirq 或 GPU 的 cuQuantum 后端，直接传播完整的 Kraus 通道，提供精确参考值，但只适用于小规模电路。

解码与分析

解码器采用 PyMatching、BP-OSD 等多种匹配和置信传播算法，由泡利缠绕产生的探测器误差模型初始化。Plaquette 还支持损耗感知解码，动态利用损失事件的信标信息更新解码图。分析层通过有限尺寸标度或插值法提取阈值曲面，并可计算低于阈值的抑制因子 $\Lambda$ 和对应资源开销。

创新点与贡献

本研究的主要贡献有三：

通道优先的设计框架：首次将任意 CPTP 误差模型与硬件设计深度结合，使得同一物理模型可同时生成 Pauli、XPauli、近 Clifford 和全态表示，极大减少了转换工作。
XPauli 采样器：一种新颖的、可扩展的泄漏和扇区模拟方法，通过经典标签追踪非计算自由度，同时保持计算子空间的相干性，能够捕获传统稳定子仿真忽略的关键错误机制（如泄漏引起的受控泡利错误）。
精确仿真重要性的实证：在多个硬件平台和噪声模型下，展示了仅依赖泡利缠绕的 Clifford 仿真可能低估逻辑错误率多达一个数量级，并高估阈值约 20%，从而证明在容错计算机设计中必须采用更精确的模拟。

实验结果分析

论文验证了实验流程：

简化模型对比：在距离为 3 的重复码上，分别测试相干过旋转和泄漏。近 Clifford 采样器和 XPauli 的结果与全态参考值一致，而 Stim 的泡利缠绕结果显著偏低（例如泄漏情形下，Stim 的逻辑错误率约为 1.7%，而全态和 XPauli 约为 23.5%）。
超导 qubit 泄漏：从 transmon 的 Lindblad 动力学出发，对比 XPauli 与 Clifford-only 仿真。对于表面码，距离为 19 时，XPauli 的逻辑错误率比泡利近似高约一个数量级，且有限尺寸标度给出的阈值从 $0.0177$ 下移至 $0.0148$ 。
中性原子阈值曲面：扫描去极化、退相干和中间态散射三种噪声。当散射速率较高时，Clifford-only 仿真允许的阈值高估 2.6 倍，说明泄漏动态对设计空间影响巨大。
离子阱加热：将声子模态建模为 XPauli 的扇区，加热导致扇区跃迁和错误率随时间升高。传统的固定错误率仿真无法重现这种非平稳效应，而 XPauli 成功得到了与距离相关的有效阈值。

这些结果共同表明，Plaquette 能够让硬件团队在可扩展尺度上获得可信的逻辑性能曲线，并揭示出不同噪声源之间的相互影响。

实践应用建议

对于硬件设计团队，建议采用以下实践路径：

使用平台原生物理参数：直接基于 Hamilton 量、Lindblad 算子、实验重建的通道定义误差模型，避免提前手工抽象为泡利概率。
多采样器交叉验证：对于关键的设计点，用全态或 XPauli 作为基准，检验 Clifford 近似带来的偏差。若偏差超出容限，应使用更高级的采样器进行阈值和开销评估。
探索多维设计空间：利用 Plaquette 的阈值曲面功能，可在多个硬件参数（如泄漏率、加热率、脉冲时长）之间自动寻找平衡点，从而制定更优的错误预算。
结合损耗感知解码：若硬件支持擦除或泄漏检测，应利用 Plaquette 的损耗感知解码管道，以充分利用硬件信标提供的额外信息，提升有效阈值。

未来发展方向

尽管 Plaquette 已实现广泛的硬件抽象，仍存在若干扩展空间：

更丰富的解码器接口：当前解码器默认依赖泡利缠绕的 DEM，虽然与采样器解耦，但未来可开发泄漏感知、扇区感知的解码器，进一步缩小仿真与真实硬件的差距。
非马尔可夫噪声：通过扩展扇区标签或嵌入环境自由度，可初步处理某些记忆效应，但完全历史依赖的量子噪声仍待系统性突破。
光子和融合计算：论文提及的伴随论文将处理测量基和融合基的量子计算，这将使 Plaquette 覆盖更广泛的架构。

总结与展望

Plaquette 打破了量子纠错仿真中长期存在的 “泡利唯一” 惯性，为从硬件物理到逻辑性能铺设了一条直接、可扩展的道路。其模块化架构使物理学家和工程师能够用最接近真实器件的方式描述误差，同时能在保持精度的前提下评估百万量级量子比特的容错能力。未来，随着硬件平台向实用化迈进，这类硬件感知的设计工具将成为加速实现容错量子计算的关键助力。