Descodificando errores correlacionados en códigos LDPC cuánticos

Por qué importa para los futuros ordenadores cuánticos

Los ordenadores cuánticos son famosamente frágiles: perturbaciones diminutas pueden invertir el estado de sus qubits y arruinar un cálculo. Los códigos de corrección de errores cuánticos están diseñados para detectar y corregir estos errores en tiempo real, pero hacerlo con la rapidez y la precisión necesarias sigue siendo un gran obstáculo para máquinas prácticas. Este artículo muestra cómo decodificar una familia líder de códigos cuánticos de forma mucho más fiable y rápida, incluso cuando los errores están fuertemente correlacionados, acercando la computación cuántica tolerante a fallos en tiempo real a la realidad.

El desafío de desenredar los errores cuánticos

La corrección de errores cuánticos moderna a menudo se apoya en códigos de paridad de baja densidad cuánticos (QLDPC), que prometen alto rendimiento con un coste relativamente moderado. En principio, estos códigos deberían beneficiarse de los decodificadores livianos de paso de mensajes que hicieron tan exitosos a los sistemas de comunicación clásicos. En la práctica, no ocurre así: las estructuras gráficas que describen los códigos cuánticos están llenas de bucles muy cortos, especialmente cuando se permiten los tres tipos básicos de error en un qubit (inversión de bit, inversión de fase y combinaciones). Estos bucles cortos confunden a los algoritmos de paso de mensajes, llevándolos a atascarse en ciertos patrones de error y a producir estimaciones poco fiables, sobre todo cuando distintos tipos de error aparecen juntos de forma correlacionada, como ocurre en circuitos cuánticos realistas.

Reconfigurar el mapa de errores en lugar del algoritmo

En lugar de inventar otra regla de decodificación compleja, los autores siguen un enfoque distinto: cambian el grafo sobre el que se ejecuta la decodificación. Introducen un método llamado aumento y recableado del grafo para inferencia (GARI). La idea clave es identificar patrones fuertemente conectados en el grafo de decodificación—en particular bucles de cuatro nodos que involucran un error combinado problemático en un qubit—y sustituirlos sistemáticamente por un patrón algo mayor pero mejor estructurado. Esto se hace añadiendo nuevos nodos “efectivos” de error y de verificación que representan a grupos de nodos originales. La transformación garantiza que el problema de decodificación subyacente es matemáticamente equivalente: no se pierde información sobre los errores físicos, pero el grafo se vuelve más amigable para la inferencia.

Convertir una imagen confusa en otra que los decodificadores puedan leer

A nivel de las matrices subyacentes que definen el código, el modelo detector de errores original mezcla información de muchos puntos del circuito y de los tres tipos de error, creando enormes racimos de bucles cortos. GARI rompe de forma efectiva estos racimos al redirigir cómo se representan los errores, especialmente los que implican el tipo combinado. La resultante “matriz GARI” tiene muchos menos ciclos cortos y una conectividad media menor en las partes que importan más para errores correlacionados. Eso permite que un algoritmo estándar y bien entendido de paso de mensajes, como el min-sum normalizado, opere mucho más cerca de su comportamiento ideal, transmitiendo mensajes probabilísticos más fiables a través del grafo. Es importante destacar que esta estructura más limpia también reduce el número total de conexiones que el decodificador debe procesar, lo cual ayuda al mapear el algoritmo al hardware.

Muchos decodificadores trabajando en paralelo, pero con rapidez

Partiendo del grafo mejorado, los autores diseñan una estrategia de decodificación híbrida que equilibra velocidad y uso de recursos. Emplean un decodificador min-sum normalizado con un calendario que actualiza algunas comprobaciones una a una y otras en pequeñas capas paralelas. Esto es particularmente adecuado para su implementación en matrices programables en campo (FPGAs), donde el cableado y la velocidad de reloj son críticos. Para aumentar aún más la fiabilidad, ejecutan un conjunto modesto de tales decodificadores en paralelo, cada uno con un orden de actualización aleatorio ligeramente diferente. En cuanto cualquiera de los decodificadores encuentra un patrón de error que concuerda con los datos medidos, todo el conjunto se detiene y esa solución se adopta. Esta “carrera hacia la convergencia” extrae precisión adicional sin incrementar significativamente el tiempo medio de decodificación.

Superando a decodificadores líderes manteniendo el tiempo real

Usando códigos cuánticos bicicleta bivariantes de distancias 6, 10 y 12 como referencia, el nuevo método iguala o supera a varios decodificadores de vanguardia que antes se consideraban estándares para manejar errores correlacionados. Para el código de mayor tamaño estudiado, la tasa de error lógico por ronda cae a aproximadamente siete partes por mil millones a una tasa de error físico típica de una entre mil—al nivel de métodos de búsqueda mucho más pesados y decodificadores avanzados en conjunto. De forma crucial, los autores también sintetizan su diseño en una FPGA de alto rendimiento y muestran que la decodificación puede completarse en tiempo real: para el código de distancia 12, la latencia media por ronda es de alrededor de 273 nanosegundos, y más del 99,99 % de todos los intentos de decodificación terminan dentro de un microsegundo, una escala temporal compatible con ciclos de corrección de errores realistas.

Qué significa esto para escalar las máquinas cuánticas

En términos accesibles, este trabajo muestra cómo redibujar la hoja de ruta que usa un decodificador para interpretar las señales de error, de modo que un algoritmo simple y rápido pueda entenderlas mucho mejor. Al limpiar la estructura detrás de escena y usar varios decodificadores ligeros en paralelo, los autores mejoran simultáneamente la precisión y cumplen restricciones de tiempo estrictas. Aunque nadie espera que esta familia de métodos resuelva todos los desafíos de corrección de errores a escalas arbitrariamente grandes, los resultados demuestran que los decodificadores de paso de mensajes, cuando se combinan con un diseño de grafo ingenioso como GARI, ya pueden soportar la protección de información cuántica en tiempo real y de alto rendimiento—un paso importante hacia ordenadores cuánticos tolerantes a fallos prácticos.

Cita: Maan, A.S., Garcia Herrero, F.M., Paler, A. et al. Decoding correlated errors in quantum LDPC codes. Nat Commun 17, 3965 (2026). https://doi.org/10.1038/s41467-026-70556-3

Palabras clave: corrección de errores cuánticos, Códigos LDPC, hardware de decodificador, ruido correlacionado, algoritmos de paso de mensajes