ノイズと誤り訂正(NISQ時代)
ここまでのレッスンはすべて理想的な(ノイズのない)量子コンピュータでした。 実際の量子デバイスには様々なノイズがあり、その克服が「NISQ 時代」の大きなテーマになっています。
実機にある 3 つのノイズ
| デコヒーレンス |
環境との接触で、重ね合わせが壊れてランダムな 0/1 に落ちていく |
コインがそのまま固まる |
| ゲート誤差 |
実行した操作が理想と微妙にズレる |
ひっくり返しが 1 回だけ 0.5° ズレる |
| 測定ノイズ |
測定器が読み違える |
見間違えて 0 → 1 と記録 |
測定すると理想では |ψ⟩ の確率どおりに出ますが、ノイズによってそこからズレた結果が観測されるようになります。
import%20marimo%20as%20mo%0Aimport%20numpy%20as%20np%0Aimport%20matplotlib.pyplot%20as%20plt%0A%0A%23%20%E5%9F%BA%E6%9C%AC%E3%82%B2%E3%83%BC%E3%83%88%EF%BC%88%E3%83%A6%E3%83%8B%E3%82%BF%E3%83%AA%E8%A1%8C%E5%88%97%EF%BC%89%0AH%20%3D%20np.array(%5B%5B1%2C%201%5D%2C%20%5B1%2C%20-1%5D%5D%2C%20dtype%3Dcomplex)%20%2F%20np.sqrt(2)%20%20%23%20%E3%82%A2%E3%83%80%E3%83%9E%E3%83%BC%E3%83%AB%0AX%20%3D%20np.array(%5B%5B0%2C%201%5D%2C%20%5B1%2C%200%5D%5D%2C%20dtype%3Dcomplex)%20%20%23%20NOT%20%E3%82%B2%E3%83%BC%E3%83%88%0AY%20%3D%20np.array(%5B%5B0%2C%20-1j%5D%2C%20%5B1j%2C%200%5D%5D%2C%20dtype%3Dcomplex)%20%20%23%20Y%20%E3%82%B2%E3%83%BC%E3%83%88%EF%BC%88X%E3%83%BBZ%20%E3%81%A8%E5%90%88%E3%82%8F%E3%81%9B%E3%81%A6%20Pauli%EF%BC%89%0AZ%20%3D%20np.array(%5B%5B1%2C%200%5D%2C%20%5B0%2C%20-1%5D%5D%2C%20dtype%3Dcomplex)%20%20%23%20Z%20%E3%82%B2%E3%83%BC%E3%83%88%0AS%20%3D%20np.array(%5B%5B1%2C%200%5D%2C%20%5B0%2C%201j%5D%5D%2C%20dtype%3Dcomplex)%20%20%23%20S%20%E3%82%B2%E3%83%BC%E3%83%88%EF%BC%88Z%20%E3%81%AE%E5%B9%B3%E6%96%B9%E6%A0%B9%E3%80%8190%C2%B0%E3%81%AE%E4%BD%8D%E7%9B%B8%EF%BC%89%0AT%20%3D%20np.array(%5B%5B1%2C%200%5D%2C%20%5B0%2C%20np.exp(1j%20*%20np.pi%20%2F%204)%5D%5D%2C%20dtype%3Dcomplex)%20%20%23%20T%20%E3%82%B2%E3%83%BC%E3%83%88%EF%BC%88S%20%E3%81%AE%E5%B9%B3%E6%96%B9%E6%A0%B9%E3%80%8145%C2%B0%E3%81%AE%E4%BD%8D%E7%9B%B8%EF%BC%89%0A%0Adef%20init_state(n)%3A%0A%20%20%20%20%22%22%22n%20%E9%87%8F%E5%AD%90%E3%83%93%E3%83%83%E3%83%88%E3%81%AE%E5%88%9D%E6%9C%9F%E7%8A%B6%E6%85%8B%20%7C00...0%3E%22%22%22%0A%20%20%20%20state%20%3D%20np.zeros(2**n%2C%20dtype%3Dcomplex)%0A%20%20%20%20state%5B0%5D%20%3D%201%0A%20%20%20%20return%20state%0A%0Adef%20apply1(state%2C%20gate%2C%20q)%3A%0A%20%20%20%20%22%22%221%20%E9%87%8F%E5%AD%90%E3%83%93%E3%83%83%E3%83%88%E3%82%B2%E3%83%BC%E3%83%88%20gate%20%E3%82%92%20qubit%20q%20%E3%81%AB%E9%81%A9%E7%94%A8%22%22%22%0A%20%20%20%20n%20%3D%20int(np.log2(len(state)))%0A%20%20%20%20perm%20%3D%20%5Bq%5D%20%2B%20%5Bi%20for%20i%20in%20range(n)%20if%20i%20!%3D%20q%5D%0A%20%20%20%20s%20%3D%20np.transpose(state.reshape(%5B2%5D%20*%20n)%2C%20perm)%0A%20%20%20%20s%20%3D%20(gate%20%40%20s.reshape(2%2C%20-1)).reshape(%5B2%5D%20*%20n)%0A%20%20%20%20s%20%3D%20np.transpose(s%2C%20np.argsort(perm))%0A%20%20%20%20return%20s.reshape(-1)%0A%0Adef%20apply_h(state%2C%20q)%3A%0A%20%20%20%20return%20apply1(state%2C%20H%2C%20q)%0A%0Adef%20apply_x(state%2C%20q)%3A%0A%20%20%20%20return%20apply1(state%2C%20X%2C%20q)%0A%0Adef%20apply_y(state%2C%20q)%3A%0A%20%20%20%20return%20apply1(state%2C%20Y%2C%20q)%0A%0Adef%20apply_z(state%2C%20q)%3A%0A%20%20%20%20return%20apply1(state%2C%20Z%2C%20q)%0A%0Adef%20apply_s(state%2C%20q)%3A%0A%20%20%20%20return%20apply1(state%2C%20S%2C%20q)%0A%0Adef%20apply_t(state%2C%20q)%3A%0A%20%20%20%20return%20apply1(state%2C%20T%2C%20q)%0A%0Adef%20apply_cnot(state%2C%20c%2C%20t)%3A%0A%20%20%20%20%22%22%22%E5%88%B6%E5%BE%A1%20qubit%20c%20%E3%82%92%E5%85%83%E3%81%AB%E3%80%81%E6%A8%99%E7%9A%84%20qubit%20t%20%E3%82%92%E5%8F%8D%E8%BB%A2%E3%81%95%E3%81%9B%E3%82%8B%20CNOT%22%22%22%0A%20%20%20%20n%20%3D%20int(np.log2(len(state)))%0A%20%20%20%20perm%20%3D%20%5Bc%2C%20t%5D%20%2B%20%5Bi%20for%20i%20in%20range(n)%20if%20i%20not%20in%20(c%2C%20t)%5D%0A%20%20%20%20s%20%3D%20np.transpose(state.reshape(%5B2%5D%20*%20n)%2C%20perm).reshape(4%2C%20-1)%0A%20%20%20%20s%5B%5B2%2C%203%5D%5D%20%3D%20s%5B%5B3%2C%202%5D%5D%0A%20%20%20%20s%20%3D%20np.transpose(s.reshape(%5B2%5D%20*%20n)%2C%20np.argsort(perm))%0A%20%20%20%20return%20s.reshape(-1)%0A%0Adef%20apply_swap(state%2C%20a%2C%20b)%3A%0A%20%20%20%20%22%22%22SWAP%20%E3%82%B2%E3%83%BC%E3%83%88%EF%BC%9Aqubit%20a%20%E3%81%A8%20qubit%20b%20%E3%81%AE%E7%8A%B6%E6%85%8B%E3%82%92%E5%85%A5%E3%82%8C%E6%9B%BF%E3%81%88%E3%82%8B%22%22%22%0A%20%20%20%20s%20%3D%20apply_cnot(state%2C%20a%2C%20b)%0A%20%20%20%20s%20%3D%20apply_cnot(s%2C%20b%2C%20a)%0A%20%20%20%20return%20apply_cnot(s%2C%20a%2C%20b)%0A%0Adef%20apply_ccnot(state%2C%20c1%2C%20c2%2C%20t)%3A%0A%20%20%20%20%22%22%22CCNOT%EF%BC%88Toffoli%EF%BC%89%E3%82%B2%E3%83%BC%E3%83%88%EF%BC%9Ac1%20%E3%82%82%20c2%20%E3%82%82%201%20%E3%81%AE%E3%81%A8%E3%81%8D%E3%81%A0%E3%81%91%20t%20%E3%82%92%E5%8F%8D%E8%BB%A2%22%22%22%0A%20%20%20%20n%20%3D%20int(np.log2(len(state)))%0A%20%20%20%20perm%20%3D%20%5Bc1%2C%20c2%2C%20t%5D%20%2B%20%5Bi%20for%20i%20in%20range(n)%20if%20i%20not%20in%20(c1%2C%20c2%2C%20t)%5D%0A%20%20%20%20s%20%3D%20np.transpose(state.reshape(%5B2%5D%20*%20n)%2C%20perm).reshape(8%2C%20-1)%0A%20%20%20%20s%5B%5B6%2C%207%5D%5D%20%3D%20s%5B%5B7%2C%206%5D%5D%0A%20%20%20%20s%20%3D%20np.transpose(s.reshape(%5B2%5D%20*%20n)%2C%20np.argsort(perm))%0A%20%20%20%20return%20s.reshape(-1)%0A%0Adef%20measure_counts(state%2C%20shots%3D1024%2C%20seed%3D42)%3A%0A%20%20%20%20%22%22%22%E6%B8%AC%E5%AE%9A%E3%82%92%20shots%20%E5%9B%9E%E3%81%8F%E3%82%8A%E8%BF%94%E3%81%97%E3%80%81%E3%83%93%E3%83%83%E3%83%88%E5%88%97%E3%81%94%E3%81%A8%E3%81%AE%E5%9B%9E%E6%95%B0%E3%82%92%E8%BF%94%E3%81%99%22%22%22%0A%20%20%20%20probs%20%3D%20np.abs(state)%20**%202%0A%20%20%20%20probs%20%3D%20probs%20%2F%20probs.sum()%20%20%23%20%E6%B5%AE%E5%8B%95%E5%B0%8F%E6%95%B0%E7%82%B9%E8%AA%A4%E5%B7%AE%E5%AF%BE%E7%AD%96%E3%81%A7%E6%AD%A3%E8%A6%8F%E5%8C%96%0A%20%20%20%20rng%20%3D%20np.random.default_rng(seed)%0A%20%20%20%20n%20%3D%20int(np.log2(len(state)))%0A%20%20%20%20counts%20%3D%20%7B%7D%0A%20%20%20%20for%20s%20in%20rng.choice(2**n%2C%20size%3Dshots%2C%20p%3Dprobs)%3A%0A%20%20%20%20%20%20%20%20bits%20%3D%20format(s%2C%20f%220%7Bn%7Db%22)%20%20%23%20%E5%B7%A6%E3%81%8C%20qubit0%EF%BC%88%E6%9C%80%E4%B8%8A%E4%BD%8D%EF%BC%89%E2%86%92%20%E9%A0%86%E3%81%AB%20qubit1%2C%20...%0A%20%20%20%20%20%20%20%20counts%5Bbits%5D%20%3D%20counts.get(bits%2C%200)%20%2B%201%0A%20%20%20%20return%20counts%0A%0Adef%20plot_counts(counts%2C%20title%3D%22Measurement%20results%22)%3A%0A%20%20%20%20%22%22%22%E6%B8%AC%E5%AE%9A%E3%82%AB%E3%82%A6%E3%83%B3%E3%83%88%E3%81%AE%E3%83%92%E3%82%B9%E3%83%88%E3%82%B0%E3%83%A9%E3%83%A0%E3%82%92%E6%8F%8F%E3%81%8F%EF%BC%88%E2%80%BBWASM%E6%8F%8F%E7%94%BB%E3%81%AE%E3%81%9F%E3%82%81%E6%96%87%E5%AD%97%E3%81%AF%E8%8B%B1%E5%AD%97%E3%81%AE%E3%81%BF%EF%BC%89%22%22%22%0A%20%20%20%20keys%20%3D%20sorted(counts)%0A%20%20%20%20vals%20%3D%20%5Bcounts%5Bk%5D%20for%20k%20in%20keys%5D%0A%20%20%20%20fig%2C%20ax%20%3D%20plt.subplots(figsize%3D(7%2C%203.8))%0A%20%20%20%20ax.bar(keys%2C%20vals%2C%20color%3Dplt.cm.viridis(np.linspace(0.25%2C%200.85%2C%20len(keys))))%0A%20%20%20%20ax.set_title(title)%0A%20%20%20%20ax.set_xlabel(%22Outcome%20(bitstring)%22)%0A%20%20%20%20ax.set_ylabel(%22Counts%22)%0A%20%20%20%20ax.set_ylim(0%2C%20max(vals)%20*%201.2%20%2B%201)%0A%20%20%20%20return%20fig%0A%0Adef%20plot_state(state%2C%20title%3D%22State%20probabilities%22)%3A%0A%20%20%20%20%22%22%22%E5%90%84%E3%83%93%E3%83%83%E3%83%88%E5%88%97%E3%81%AE%E7%A2%BA%E7%8E%87%20%7C%CE%B1%7C%C2%B2%20%E3%82%92%E6%A3%92%E3%82%B0%E3%83%A9%E3%83%95%E3%81%A7%E8%A1%A8%E7%A4%BA%EF%BC%88%E2%80%BB%E8%8B%B1%E5%AD%97%E3%81%AE%E3%81%BF%EF%BC%89%22%22%22%0A%20%20%20%20probs%20%3D%20np.abs(state)%20**%202%0A%20%20%20%20n%20%3D%20int(np.log2(len(state)))%0A%20%20%20%20keys%20%3D%20%5Bformat(i%2C%20f%220%7Bn%7Db%22)%20for%20i%20in%20range(len(state))%5D%0A%20%20%20%20fig%2C%20ax%20%3D%20plt.subplots(figsize%3D(7%2C%203.8))%0A%20%20%20%20ax.bar(keys%2C%20probs%2C%20color%3Dplt.cm.plasma(np.linspace(0.2%2C%200.9%2C%20len(keys))))%0A%20%20%20%20ax.set_title(title)%0A%20%20%20%20ax.set_xlabel(%22Bitstring%20(q0%20is%20leftmost)%22)%0A%20%20%20%20ax.set_ylabel(%22Probability%20%7Ca%7C%5E2%22)%0A%20%20%20%20ax.set_ylim(0%2C%201.1)%0A%20%20%20%20return%20fig%0A%0Adef%20bloch_vector(state)%3A%0A%20%20%20%20%22%22%221%20%E9%87%8F%E5%AD%90%E3%83%93%E3%83%83%E3%83%88%E7%8A%B6%E6%85%8B%E3%82%92%E3%83%96%E3%83%AD%E3%83%83%E3%83%9B%E3%83%99%E3%82%AF%E3%83%88%E3%83%AB%20(x%2C%20y%2C%20z)%20%E3%81%AB%E5%A4%89%E6%8F%9B%22%22%22%0A%20%20%20%20a%2C%20b%20%3D%20state%0A%20%20%20%20theta%20%3D%202%20*%20np.arctan2(abs(b)%2C%20abs(a))%0A%20%20%20%20phi%20%3D%20np.angle(b)%20-%20np.angle(a)%0A%20%20%20%20return%20np.array(%0A%20%20%20%20%20%20%20%20%5Bnp.sin(theta)%20*%20np.cos(phi)%2C%20np.sin(theta)%20*%20np.sin(phi)%2C%20np.cos(theta)%5D%0A%20%20%20%20)%0A%0Adef%20plot_bloch(state%2C%20title%3D%22Bloch%20sphere%22)%3A%0A%20%20%20%20%22%22%221%20%E9%87%8F%E5%AD%90%E3%83%93%E3%83%83%E3%83%88%E7%8A%B6%E6%85%8B%E3%82%92%E3%83%96%E3%83%AD%E3%83%83%E3%83%9B%E7%90%83%E4%B8%8A%E3%81%AB%E6%8F%8F%E3%81%8F%22%22%22%0A%20%20%20%20v%20%3D%20bloch_vector(state)%0A%20%20%20%20fig%20%3D%20plt.figure(figsize%3D(4.6%2C%204.6))%0A%20%20%20%20ax%20%3D%20fig.add_subplot(111%2C%20projection%3D%223d%22)%0A%20%20%20%20u%20%3D%20np.linspace(0%2C%202%20*%20np.pi%2C%2040)%0A%20%20%20%20w%20%3D%20np.linspace(0%2C%20np.pi%2C%2040)%0A%20%20%20%20ax.plot_surface(%0A%20%20%20%20%20%20%20%20np.outer(np.sin(u)%2C%20np.sin(w))%2C%0A%20%20%20%20%20%20%20%20np.outer(np.cos(u)%2C%20np.sin(w))%2C%0A%20%20%20%20%20%20%20%20np.outer(np.ones(40)%2C%20np.cos(w))%2C%0A%20%20%20%20%20%20%20%20color%3D%22lightgray%22%2C%0A%20%20%20%20%20%20%20%20alpha%3D0.35%2C%0A%20%20%20%20%20%20%20%20linewidth%3D0%2C%0A%20%20%20%20)%0A%20%20%20%20for%20vec%2C%20col%20in%20%5B(%5B1%2C%200%2C%200%5D%2C%20%22red%22)%2C%20(%5B0%2C%201%2C%200%5D%2C%20%22green%22)%2C%20(%5B0%2C%200%2C%201%5D%2C%20%22blue%22)%5D%3A%0A%20%20%20%20%20%20%20%20ax.plot(%0A%20%20%20%20%20%20%20%20%20%20%20%20%5B-vec%5B0%5D%2C%20vec%5B0%5D%5D%2C%20%5B-vec%5B1%5D%2C%20vec%5B1%5D%5D%2C%20%5B-vec%5B2%5D%2C%20vec%5B2%5D%5D%2C%0A%20%20%20%20%20%20%20%20%20%20%20%20color%3Dcol%2C%20alpha%3D0.5%2C%0A%20%20%20%20%20%20%20%20)%0A%20%20%20%20ax.plot(%5B0%2C%20v%5B0%5D%5D%2C%20%5B0%2C%20v%5B1%5D%5D%2C%20%5B0%2C%20v%5B2%5D%5D%2C%20color%3D%22black%22%2C%20lw%3D2)%0A%20%20%20%20ax.scatter(%5Bv%5B0%5D%5D%2C%20%5Bv%5B1%5D%5D%2C%20%5Bv%5B2%5D%5D%2C%20color%3D%22darkorange%22%2C%20s%3D80)%0A%20%20%20%20ax.set_title(title)%0A%20%20%20%20ax.set_xlabel(%22X%22)%0A%20%20%20%20ax.set_ylabel(%22Y%22)%0A%20%20%20%20ax.set_zlabel(%22Z%22)%0A%20%20%20%20ax.set_xlim(-1%2C%201)%0A%20%20%20%20ax.set_ylim(-1%2C%201)%0A%20%20%20%20ax.set_zlim(-1%2C%201)%0A%20%20%20%20ax.set_box_aspect((1%2C%201%2C%201))%0A%20%20%20%20return%20fig
ノイズを疑似的に体験
デコヒーレンスの単純なモデルとして「測る前に 0/1 がランダムにこわれる」ノイズを入れ、 ノイズ度合いをスライダーで変えて理想との差を観察しましょう。 (本物のデバイスでは誤差線源が複数重なりますが、感覚をつかむには十分です。)
noise%20%3D%20mo.ui.slider(0.0%2C%200.5%2C%20value%3D0.0%2C%20step%3D0.05%2C%20label%3D%22%E3%83%8E%E3%82%A4%E3%82%BA%E7%8E%87%20p%EF%BC%880%20%3D%20%E7%90%86%E6%83%B3%EF%BC%89%22%2C%20full_width%3DTrue)%0Anoise
state_n%20%3D%20apply_h(np.array(%5B1%2C%200%5D%2C%20dtype%3Dcomplex)%2C%200)%20%20%20%23%20%E7%90%86%E6%83%B3%20%3A%2050%25%3A50%25%20%E3%81%AE%E9%87%8D%E3%81%AD%E5%90%88%E3%82%8F%E3%81%9B%0Arng%20%3D%20np.random.default_rng(5)%0An_shots%20%3D%204096%0Aideal_counts%20%3D%20measure_counts(state_n%2C%20shots%3Dn_shots%2C%20seed%3D5)%0Af0%20%3D%20ideal_counts.get(%220%22%2C%200)%20%2F%20n_shots%0Af1%20%3D%201%20-%20f0%0Af0_n%20%3D%20(1%20-%20noise.value)%20*%20f0%20%2B%20noise.value%20*%200.5%0Af1_n%20%3D%20(1%20-%20noise.value)%20*%20f1%20%2B%20noise.value%20*%200.5%0Afig%2C%20ax%20%3D%20plt.subplots(figsize%3D(7%2C%203.8))%0Aax.bar(%5B%220%22%2C%20%221%22%5D%2C%20%5Bn_shots%20*%20f0_n%2C%20n_shots%20*%20f1_n%5D%2C%0A%20%20%20%20%20%20%20color%3Dplt.cm.viridis(%5B0.3%2C%200.7%5D)%2C%20label%3D%22with%20noise%22)%0Aax.axhline(n_shots%20%2F%202%2C%20color%3D%22red%22%2C%20ls%3D%22--%22%2C%20lw%3D1.5%2C%20label%3D%22ideal%2050%25%3A50%25%22)%0Aax.set_title(f%22Noise%20p%3D%7Bnoise.value%3A.2f%7D%3A%20results%20drift%20toward%2050%25%3A50%25%22)%0Aax.set_ylabel(%22Counts%22)%0Aax.set_ylim(0%2C%20n_shots)%0Aax.legend()%0Afig
見てみよう - 理想(p=0)ではきれいな 50%:50%。 - p を上げる と、どちらの測定量も「どっちつかずの 50%」に引き戻されます=情報が失われ ているのが分かります。 - つまりノイズとは「重ね合わせの情報が熱(ランダム)に転化する」ことのようなものです。
なぜ困るのか:重ね合わせが壊れると量子の強みが消える
量子アルゴリズムは重ね合わせと干渉で働いています。ノイズで重ね合わせが壊れると、
- 期待する「山(ピーク)」がかすむ
- 誤ったビット列が出やすくなる
- 素因数分解や検索の高速化が失われる
だからこそ ノイズを測り、補正し、訂正する 研究が重要です。
量子誤り訂正(QEC)の基本アイデア
QEC(Quantum Error Correction) は、「1 つの Qubit の情報を複数の Qubit に分散させて守る」方法です。
イメージ:耳元で大きな声を複数に伝えて、聞き間違えを多数決で直す、の量子版。
- 符号化(encode):1 Qubit の状態を 3 Qubit に複製(X エラー検出用のビット)
- シンドローム測定:どの位置が間違えたかを「調べるだけ」で複製を崩さず特定
- 回復:間違えた所だけを治す
| ビット反り(X エラー) |
どのコインが 1 個だけ裏向きになったか |
| 位相フリップ(Z エラー) |
波の山と谷が 1 個だけ逆さまになった |
単純な例では、論理量子ビットを物理量子ビット 5〜17 個に変えることで、エラー率を下げられます。 こうした仕組みの研究が、ノイズまみれの今のデバイス(NISQ)から、安定した未来の量子コンピュータへの道を開きます。
NISQ のいま
NISQ(Noisy Intermediate-Scale Quantum) と呼ばれる現在のデバイスは、
- 数千〜数十万 Qubit 未満
- ノイズがあるため、完全な誤り訂正がまだできない
- リアルなアプリでは「ノイズを前提にしたパラメータ最適化」(VQE など)が中心
「まだ実用的な量子コンピュータ」というより「量子コンピュータの実験室」というのが正しいイメージです。
まとめ
- 実機には デコヒーレンス・ゲート誤差・測定ノイズ がある。
- ノイズは重ね合わせをランダム化し、量子の利点を損なう。
- 量子誤り訂正(QEC) は、複数の Qubit に分散させて守る仕組み。
- NISQ と呼ばれる今のデバイスは、誤り訂正前の中間段階。
次(最後)は、これらの技術がもたらす 将来の応用と展望 を考えます。