Google Quantum AI & DeepMind、QECオーバーヘッド30倍以上の削減を実現するモジュール型双曲符号を実証

2026年10月15日・2分で読めます

arXivで公開された共同技術論文において、Google Quantum AI、Google DeepMind、MITの研究者らは、標準的な2D表面符号と比較して物理量子ビットのオーバーヘッドを30倍以上削減するモジュール型量子誤り訂正（QEC）アーキテクチャを発表しました。

この研究（「Low-Overhead Quantum Error Correction with Boundary-Connected Planar Modules」）は、小さく平らな2Dユークリッド平面チップ（約100量子ビット）を、双曲型タイル張り幾何学（種数g ≥ 2）に配置された疎で静的なモジュール間境界カプラを介してネットワーク化することで、複雑なオンチップ長距離配線交差を必要とせずに、量子低密度パリティ検査（qLDPC）符号の高い符号化率を実現できることを実証しています。

フォールトトレラントメモリアーキテクチャベンチマーク比較
QECメモリアーキテクチャ	符号パラメータ [[n, k, d]]	物理量子ビット／論理量子ビット	ハードウェアおよび相互接続の複雑さ
• ユークリッド表面符号	• [[~20,000, 20, 22]]	• > 1,000 物理／論理	• モノリシック2D最近傍平面グリッド。
• Two-Gross二変量自転車符号	• [[288, 12, 18]]	• 48 物理／論理（約20倍の削減）	• 密集した交差長距離カプラを必要とするモノリシックチップ。
• モジュール型双曲表面符号	• [[6000, 146, 20]]	• 約95 物理／論理（10倍～15倍の削減）	• モジュール型116量子ビット平面モジュール。柔軟なモジュール間エッジリンク。
• モジュール型双曲カラー符号	• [[6400, 104, 30]]	• 36 物理／論理（30倍以上の削減）	• モジュール型72量子ビット平面モジュール。距離d ≥ 22で符号化率k/n = 1/16。

閉じた双曲曲面を辺長Lのユークリッド格子パッチで微細分割することにより、このアーキテクチャは大域的QEC符号を平らな72量子ビットまたは116量子ビットのモジュールに分割します。隣接モジュールにまたがるスタビライザは、catフラグ付きシンドローム抽出回路を用いて境界シーム全体で測定されます。SI1000ノイズモデル（p = 0.1%）下での回路レベルシミュレーションは、AlphaQubitニューラルネットワークと相関最小重み完全マッチング（MWPM）を用いて復号され、チップ間ケーブル誤り率がオンチップゲート誤り率より10倍高い場合でも、高いモジュール間シームノイズ（p_seam = 1%）に対する高い耐性を維持し、低い論理誤り率を維持しました。

空間オーバーヘッドなしで普遍的なフォールトトレラント論理をサポートするために、チームは符号自己同型（大域的タイル張り置換）を介して論理ゲートを実行するフォールトトレラントウォーキング回路を、モジュール境界に沿って取り付けられた閉じた補助ループであるモジュール型リボン抽出器とともに開発しました。これはメモリ自体よりも約4.5倍小さくなっています。

技術論文はarXivでこちらからご覧いただけます。

GQIポータルにて

QCRを執筆するチームは、量子産業の検証済みデータベースであるGQIファクトリーにおいて、あらゆる企業、取引、技術を追跡しています。次回：すべてのストーリーをそのプレーヤーにリンク付けし、QCRの有料プランで提供予定です。

プレーヤー→量子産業全体の企業・機関をセグメント別に掲載。
スコアカード→ハードウェア、ソフトウェア、資金調達などにおけるプレーヤーの比較。

関連記事