Oraqle：量子纠错中量子比特读出与判别器的实证分析

量子纠错（QEC）是通向容错量子计算及实用量子计算机的最有希望的途径。QEC 作为一个连续的测量-解码-纠正循环运行：读取辅助量子比特，解码器从产生的伴随式中推断错误，并在下一轮开始前应用纠正。在这个循环中，读出占据着独特的关键角色，因为它是解码器可用的唯一真实依据。然而，读出也是整个栈中最慢且最易出错的操作，其特性因量子比特而异并随时间漂移；这种复杂性直接传递给经典控制硬件，特别是必须将每个模拟信号分类为二元伴随式结果的 FPGA 托管机器学习（ML）判别器。尽管具有如此核心的作用，但尚未从读出特性、读出长度及其与 ML 判别器协同设计的角度深入研究 QEC 性能。我们引入了 Oraqle，这是一个端到端基准测试框架，可在真实实验提取的量子比特态读出数据集、最先进的 ML 判别器、多种 QEC 码以及涵盖当前至预期设备的硬件机制上，评估量子比特态读出及其对 QEC 性能的影响。我们的研究揭示了三个不对称的发现：测量时间可以大幅减少，而对逻辑错误率几乎没有惩罚；判别器复杂度对 QEC 性能的影响微乎其微，因为残余错误被写入设备物理而非模型中；量子比特态读出对逻辑错误率的影响取决于硬件在 QEC 领域中所处的位置，且这一窗口随着设备的成熟而扩大。