IonQ'nun %0,02'lik Decoder Rakamı En Yavaş Döngü Varsayımından Geliyor

IonQ, hata düzeltme decoder'ının tek bir dizüstü CPU'sunda çalışırken hesaplamaya yalnızca %0,02 kadar ek süre kattığını söylüyor. Bu rakam, preprint'teki 5 ms döngüyle koşturulan tek iş yükünden geliyor. Sonucu neden döngü süresinin belirlediğini ve yerine hangi rakamı alıntılamanız gerektiğini anlatıyoruz.

Geride kalan bir decoder neden bütün makineyi durdurur

Yavaş bir decoder'ın bedeli sabit bir gecikmeden fazla. Barbara Terhal'in Reviews of Modern Physics'teki derlemesi backlog argümanını ortaya koyuyor: syndrome bitleri işlendiklerinden hızlı üretilirse, başlangıçtaki küçük bir birikim hesaplama boyunca üstel bir yavaşlamaya yol açıyor (Terhal, RMP 87, 307).

Mekanizma T kapısından geçiyor. T kapısının düzeltmesi Pauli frame'e bağlı; makine decoder'ı bekliyor, beklerken de decoder'ın temizlemesi gereken yeni syndrome verisi üretiyor. Terhal sonuçları karşılaştırırken işe yarayan ayrımı da yapıyor: bir kuantum belleği decoder'ı hiç beklemek zorunda kalmaz, çünkü okuması sonradan düzeltilebilir. T kapısı içeren bir hesaplama ise bekler.

IonQ preprint'i gerçekte neyi koşturdu

IonQ'dan Min Ye, Andrii Maksymov ve Nicolas Delfosse çalışmayı 25 Ağustos 2026'da arXiv preprint'i olarak yayımladı, 3 Eylül'de revize etti (arXiv:2608.25027). Akışı iki sliding-window beam search decoder paylaşıyor: 5 döngülük pencere ve 3 döngülük commit bölgesiyle çalışan bir error decoder, bir de logical ölçümler sırasında devreye giren, 2 döngülük pencereli daha hızlı bir outcome decoder.

Donanım, 2024 model MacBook Pro'daki Apple M4 Max'in 16 çekirdeğinden 12'siydi; sekizi error decoder'a, dördü outcome decoder'a ayrıldı. Ortada kuantum donanımı yok. Yazarlar üç iş yükünü de IonQ'nun walking-cat trapped-ion mimarisi üzerinde circuit-level gürültü modeliyle simüle ediyor; mimari altı logical qubit'lik LDPC bellek bloklarından ve magic-state fabrikalarından oluşuyor. Devrelerin simüle edilebilir kalması için fiziksel magic state yerine bir stabilizer durumu kullanılıyor.

Ölçtükleri metrik stretch: decoding bütçesini kaçırdığı için fazladan koşturulan syndrome extraction döngülerinin, sıfır gecikmeli bir decoder'ın ihtiyaç duyacağı döngü sayısına oranı.

%0,02, en büyük iş yükünü en uzun döngüyle eşleştiriyor

Preprint üç iş yükü raporluyor ve üçü aynı zamanlama varsayımıyla koşturulmamış (arXiv:2608.25027, Tablo 1-4):

Burada p, makaledeki p_CNOT: circuit-level gürültü modelindeki iki qubit'lik depolarizing hata oranı. Yazarlara göre 408 qubit'lik koşudaki 5 ms döngü, çekirdek sayısı 12'de sabit tutulurken her çekirdeğe düşen kod bloğu sayısının artmasını telafi ediyor. 1 ms'yi uzun vadeli, 5 ms'yi yakın vadeli temsili trapped-ion zaman ölçeği olarak adlandırıyorlar.

IonQ'nun duyurusu "as little as 0.02%" ifadesini kullanıyor (IonQ). Bu, diğer iki koşunun döngü başına bütçesinin beş katıyla çalışan 408 qubit'lik koşu. Uzun vadeli 1 ms döngüde preprint 102 logical qubit test etti ve %0,18 ile %0,24 arasında stretch ölçtü.

Aynı duyuru "31,5 milyonun üzerinde bireysel kuantum işlemi"nden söz ediyor. Preprint'in Tablo 1'i ise 408 qubit'lik iş yükünün 88 bloğu üzerinden toplam 31.548.792 syndrome extraction döngüsü listeliyor; yazarlar bu sayıyı çizelge derinliği çarpı blok sayısı olarak tanımlıyor. İş yükünün kapı sayıları 555.130 T kapısı ve 1.318.310 logical ölçüm.

Decoder'ın ne sıklıkla taştığını fiziksel hata oranı belirliyor

p'yi 1e-4'ten 5e-4'e çıkarmak MIPT'te stretch'i %0,24'ten %11,53'e taşıdı. Pencere başına ortalama error decoder süresi 3 ms'lik bütçeye karşı yalnızca 0,99 ms'den 1,89 ms'ye çıktı, ama 99,9'uncu yüzdelik 3,32 ms'den 13,68 ms'ye fırladı. Bütçeyi aşan ve durdurma döngüsü ekleten şey bu kuyruk.

Yazarlar zor pencerelerde nadir convergence hataları da bildiriyor; bunlar büyük devrelerde ya da yüksek hata oranlarında daha olası, yeniden başlatma gerektiriyor ve stretch rakamına dahil değil. Yazarlar 1e-4 ile 5e-4 arasındaki gürültü aralığını küçük trapped-ion cihazlarda ulaşılmış bir aralık olarak tanımlıyor; yani 5e-4 sütunu da gerçekçi saydıkları bölgenin içinde.

1,1 mikrosaniyelik döngü bambaşka bir decoding problemi

Google Quantum AI, 72 qubit'lik Willow işlemcisinde mesafe 5'lik bir surface code'u gerçek zamanlı decode etti: 1,1 μs döngü, bir milyona kadar döngü boyunca 63 ± 17 μs ortalama decoder gecikmesi ve eşiğin altında kalan performans (Nature 638, 920). Bunun için düşük gecikmeli Ethernet ile beslenen özel bir iş istasyonunda sparse blossom matching algoritması kullanıldı.

Yan yana koyunca döngü başına bütçeler arasında kabaca 900 kat fark var: IonQ'nun uzun vadeli varsayımında 1 ms, Willow'da 1,1 μs. IonQ preprint'i de FPGA, GPU, TPU ve ASIC decoder'ların superconducting makinelerin mikrosaniye gecikme gereksinimini hedeflediğini not ediyor. Ters yönde ise Willow'un gerçek zamanlı sonucu tek bir logical bellekti, yani Terhal'in hiç beklemek zorunda kalmadığını gösterdiği durum; IonQ'nun simüle ettiği iş yükleri ise düzeltmesi beklenen T kapıları içeriyor.

İki sonuç da öbür platforma taşınmıyor. Döngü sürelerinin Willow mertebesinde olduğu superconducting tarafını IBM heavy-hex donanımında surface code yazısı ele alıyor.

Bir decoder benchmark'ını alıntılamadan önce bakılacaklar

Gerçek zamanlı decoding rakamını tekrarlamadan önce makalede üç şeyi bulun:

• Varsayılan döngü süresi. Daha yavaş döngü decoder'a zaman kazandırıyor; IonQ'nun en iyi rakamı diğer koşuların beş katı bütçeyle elde edildi.
• Çekirdek başına kod bloğu. Sabit çekirdekle daha fazla blok, döngü başına daha fazla süre istiyor; yazarlar bu takası açıkça yaptı.
• Fiziksel hata oranı. Bu preprint'te p'deki beş katlık artış stretch'i bir mertebeden fazla değiştirdi.

IonQ'nun sonucu için üç kontrolden de geçen rakam şu: 1 ms döngü ve p = 1e-4'te, simüle edilmiş 102 logical qubit üzerinde %0,18 ile %0,24 arası stretch. Kaynağı, vendor'ın kendi araştırmacılarının henüz tekrarlanmamış bir preprint'i.

Decoder, detector error model'ini varsayılan bir gürültü modelinden kuruyor; gerçek donanımda bu modelin cihazı takip etmesi gerekiyor. Google'ın Willow ekibi de offline decoder'larını bu yüzden cihaz gürültüsüne uyarladı: bir neural network'ü işlemci verisiyle fine-tune etti ve matching graph ağırlıklarını optimize etti (Nature 638, 920). SuperconducTED bu soruyu IBM backend'leri için ele alıyor; decoder'ın miras alacağı bir gürültü modeline güvenmeden önce kalibrasyon kayması yaklaşımını inceleyin.