Low-density parity-check Codes, kurz LDPC-Codes, gehören zu den leistungsfähigsten Verfahren der modernen Fehlerkorrektur. Ihr Grundprinzip besteht darin, Daten durch eine vergleichsweise kleine Zahl gezielt angeordneter Paritätsbeziehungen abzusichern. Die dafür verwendete Paritätsprüfmatrix ist dünn besetzt: Nur ein kleiner Anteil ihrer Einträge ist ungleich null. Aus dieser scheinbar einfachen Eigenschaft entstehen Codes, die sich effizient decodieren lassen und gleichzeitig sehr hohe Fehlerkorrekturleistungen erreichen können.

In der klassischen Kommunikationstechnik werden LDPC-Codes eingesetzt, um Daten trotz Rauschen, Störungen und fehlerhafter Übertragung zuverlässig wiederherzustellen. Für die Quantentechnologie gewinnt dieselbe Grundidee eine weitergehende Bedeutung. Quantencomputer können nur dann große und komplexe Berechnungen zuverlässig durchführen, wenn physikalische Fehler kontinuierlich erkannt und korrigiert werden. Da einzelne Qubits empfindlich auf ihre Umgebung reagieren und Quantengatter, Messungen sowie Zustandspräparationen nicht vollkommen fehlerfrei sind, ist Quantenfehlerkorrektur keine optionale Zusatzfunktion, sondern eine Voraussetzung für skalierbares Quantencomputing.

Quantum-LDPC-Codes übertragen das Konzept dünn besetzter Prüfbeziehungen auf Quantenzustände. Statt klassischer Paritätsprüfungen werden Stabilizer-Operatoren eingesetzt, deren Messung Informationen über aufgetretene Fehler liefert, ohne dabei die gespeicherte logische Quanteninformation direkt auszulesen. Ein wesentliches Ziel besteht darin, viele logische Qubits mit möglichst wenigen physikalischen Qubits zu schützen und gleichzeitig die Komplexität der Fehlerdiagnose beherrschbar zu halten.

Die besondere Attraktivität von Quantum-LDPC-Codes liegt in ihrer möglichen Kombination aus hoher Coderate, wachsender Codedistanz und Prüfoperatoren mit beschränktem Gewicht. Damit unterscheiden sie sich deutlich von vielen etablierten topologischen Codes, deren lokale Struktur hardwarefreundlich ist, die jedoch häufig einen erheblichen physikalischen Qubit-Overhead verursachen.

Diese Abhandlung erläutert zunächst die klassischen Grundlagen von LDPC-Codes und führt anschließend systematisch zur Quantenfehlerkorrektur. Im Mittelpunkt stehen Quantum-LDPC-Codes, ihre mathematische Struktur, wichtige Codefamilien, Decodierungsverfahren, Hardwareanforderungen und ihre mögliche Rolle in zukünftigen fehlertoleranten Quantencomputern.

Grundlagen der Fehlerkorrektur

Fehler in digitalen Informationssystemen

Digitale Informationen werden gewöhnlich als Folgen von Bits dargestellt. Bei Übertragung, Speicherung oder Verarbeitung können einzelne Bits verfälscht werden. Aus einer Null kann eine Eins werden oder umgekehrt. Ursachen sind beispielsweise thermisches Rauschen, elektromagnetische Störungen, unvollkommene Speicherzellen oder fehlerhafte Übertragungskanäle.

Ein System ohne Fehlerkorrektur kann solche Veränderungen nicht zuverlässig erkennen. Fehlerkorrigierende Codes ergänzen deshalb die eigentlichen Nutzdaten um zusätzliche Information. Diese Redundanz ermöglicht es dem Empfänger, Inkonsistenzen festzustellen und unter geeigneten Bedingungen auf die ursprünglichen Daten zu schließen.

Redundanz und lineare Blockcodes

Bei einem linearen Blockcode werden jeweils mehrere Informationsbits zu einem längeren Codewort erweitert. Besitzt ein Code eine Blocklänge n und enthält jedes Codewort k unabhängige Informationsbits, so wird die Coderate durch

\(R = \frac{k}{n}\)

beschrieben. Eine hohe Coderate bedeutet geringe Redundanz. Eine niedrige Coderate stellt dagegen mehr Prüfinformation zur Verfügung, benötigt aber zusätzlichen Speicher- oder Übertragungsaufwand.

Ein weiterer wichtiger Parameter ist die Mindestdistanz d. Sie gibt bei binären Codes die kleinste Hamming-Distanz zwischen zwei gültigen Codewörtern an. Ein klassischer Code mit Mindestdistanz d kann grundsätzlich bis zu

\(t = \left\lfloor \frac{d-1}{2} \right\rfloor\)

beliebige Bitfehler eindeutig korrigieren.

Generator- und Paritätsprüfmatrix

Lineare Codes können mit Matrizen beschrieben werden. Eine Generatormatrix G bildet einen Informationsvektor u auf ein gültiges Codewort c ab:

\(c = uG\)

Die Paritätsprüfmatrix H definiert dagegen die Bedingungen, die jedes gültige Codewort erfüllen muss:

\(Hc^T = 0\)

Für Generator- und Paritätsprüfmatrix gilt dementsprechend

\(HG^T = 0\)

Wird ein empfangenes Wort r geprüft, entsteht das Syndrom

\(s = Hr^T\)

Ist das Syndrom ungleich null, sind eine oder mehrere Paritätsbedingungen verletzt. Das Syndrom enthält damit Informationen darüber, welche Fehler wahrscheinlich aufgetreten sind.

Grundprinzip der Low-density parity-check Codes

Dünn besetzte Paritätsprüfmatrizen

Ein LDPC-Code ist ein linearer Fehlerkorrekturcode, dessen Paritätsprüfmatrix nur wenige Einsen enthält. Die Anzahl der Einsen wächst wesentlich langsamer als die Gesamtzahl der Matrixelemente. Dadurch ist jede Paritätsgleichung nur mit einem kleinen Teil der Bits verbunden, und jedes Bit beteiligt sich nur an einer begrenzten Zahl von Prüfgleichungen.

Diese Sparsity ist der zentrale Unterschied zu allgemeineren linearen Blockcodes. Sie erlaubt es, den Code nicht nur als Matrix, sondern auch als dünn besetzten bipartiten Graphen darzustellen. Genau diese Struktur bildet die Grundlage effizienter iterativer Decodierungsverfahren.

Reguläre und irreguläre LDPC-Codes

Bei einem regulären LDPC-Code besitzt jede Spalte der Paritätsprüfmatrix die gleiche Anzahl von Einsen und jede Zeile ebenfalls eine konstante Anzahl. Ist das Spaltengewicht j und das Zeilengewicht l, spricht man von einem regulären LDPC-Code mit diesen Knotengraden.

Irreguläre LDPC-Codes erlauben unterschiedliche Gewichte. Einige Bits sind mit mehr Prüfgleichungen verbunden als andere. Durch eine gezielte Optimierung dieser Gradverteilungen lassen sich Codes konstruieren, die insbesondere bei langen Blocklängen sehr nahe an fundamentale Grenzen zuverlässiger Kommunikation herankommen.

Verhältnis zwischen Struktur und Leistungsfähigkeit

Eine sehr dünn besetzte Matrix reduziert die Rechenarbeit pro Decodierungsiteration. Zu wenige Prüfbeziehungen können allerdings die Fehlerkorrekturfähigkeit verschlechtern. Die Kunst der Codekonstruktion besteht daher darin, eine Graphstruktur zu erzeugen, die einerseits lokal einfach bleibt und andererseits global ausreichend starke Redundanz erzeugt.

Besonders problematisch sind kurze Zyklen im zugrunde liegenden Graphen. Sie führen dazu, dass Nachrichten eines iterativen Decoders schnell wieder zu ihrem Ausgangspunkt zurückkehren. Dadurch werden Wahrscheinlichkeitsinformationen korreliert und die theoretisch angenommene Unabhängigkeit der Nachrichten verletzt.

Historische Entwicklung der LDPC-Codes

LDPC-Codes wurden Anfang der 1960er-Jahre von Robert G. Gallager entwickelt. Seine Arbeit enthielt bereits die wesentlichen Grundlagen dünn besetzter Paritätsprüfmatrizen und iterativer Decodierung. Praktisch waren diese Verfahren ihrer Zeit jedoch voraus. Die damals verfügbare Rechenleistung reichte nicht aus, um große Graphen effizient zu verarbeiten.

Über mehrere Jahrzehnte standen deshalb andere Fehlerkorrekturverfahren stärker im Mittelpunkt. Erst mit der stark zunehmenden Rechenleistung und dem Erfolg iterativer Decodierungsverfahren wurden LDPC-Codes in den 1990er-Jahren wieder intensiv untersucht.

Heute gehören LDPC-Codes zur etablierten Codierungstechnik. Ihr Erfolg beruht auf einer seltenen Kombination: Sie können theoretisch sehr leistungsfähig sein und zugleich mit Algorithmen decodiert werden, deren Aufwand bei geeigneter Konstruktion ungefähr proportional zur Blocklänge wächst.

Diese Eigenschaften machten LDPC-Strukturen auch für die Quanteninformation interessant. Allerdings ist der Übergang von klassischen zu quantenmechanischen Codes keineswegs trivial. Quantencodes müssen zusätzliche algebraische Bedingungen erfüllen, da die für Fehlererkennung verwendeten Operatoren miteinander kompatibel sein müssen.

Tanner-Graphen

Graphische Darstellung eines LDPC-Codes

Die Paritätsprüfmatrix eines LDPC-Codes lässt sich als Tanner-Graph darstellen. Dabei handelt es sich um einen bipartiten Graphen mit zwei verschiedenen Knotentypen.

Variable Nodes repräsentieren die Bits eines Codeworts. Check Nodes repräsentieren die Paritätsgleichungen. Eine Kante verbindet einen Variable Node mit einem Check Node genau dann, wenn das entsprechende Bit Bestandteil dieser Paritätsprüfung ist.

Ist ein Matrixelement

\(H_{ij} = 1\)

dann existiert im Tanner-Graph eine Kante zwischen dem i-ten Prüfknoten und dem j-ten Variablenknoten.

Zyklen und Girth

Ein Zyklus entsteht, wenn man einer Folge von Kanten folgt und schließlich zum Ausgangsknoten zurückkehrt. Die Länge des kürzesten Zyklus wird als Girth bezeichnet. Für iterative Decoder sind insbesondere kurze Zyklen ungünstig.

Bei einem idealisierten baumartigen Graphen können Nachrichten zwischen den Knoten zunächst als weitgehend unabhängig betrachtet werden. In einem Graphen mit kurzen Zyklen beeinflussen sich Nachrichten dagegen wiederholt gegenseitig. Dadurch kann ein Decoder zu falscher Sicherheit gelangen oder zwischen mehreren möglichen Fehlerhypothesen oszillieren.

Die Gestaltung des Tanner-Graphen ist deshalb ein wesentlicher Bestandteil der LDPC-Codekonstruktion. Eigenschaften wie Knotengrade, Girth und globale Expansion beeinflussen die erreichbare Fehlerkorrekturleistung unmittelbar.

Decodierung klassischer LDPC-Codes

Iterative Fehlerkorrektur

Die wichtigste Eigenschaft klassischer LDPC-Codes ist ihre Eignung für iterative Message-Passing-Verfahren. Statt sämtliche möglichen Codewörter zu vergleichen, tauschen Variable Nodes und Check Nodes wiederholt Informationen darüber aus, welche Bitwerte wahrscheinlich sind.

Ein einfacher Ansatz ist das Bit-Flipping-Verfahren. Ein Bit wird geändert, wenn besonders viele der mit ihm verbundenen Paritätsprüfungen verletzt sind. Dieses Verfahren benötigt nur harte Entscheidungen, nutzt die verfügbare Kanalinformation aber nicht vollständig aus.

Belief Propagation

Leistungsfähiger ist Belief Propagation. Dabei werden Wahrscheinlichkeiten oder häufig Log-Likelihood Ratios zwischen den Knoten ausgetauscht. Für ein Bit x kann eine Log-Likelihood Ratio beispielsweise als

\(L(x) = \ln\left(\frac{P(x=0)}{P(x=1)}\right)\)

definiert werden. Ein positiver Wert spricht für Null, ein negativer für Eins. Der Betrag beschreibt die Sicherheit der Entscheidung.

Check Nodes kombinieren eingehende Informationen entsprechend der Paritätsbedingung und senden aktualisierte Nachrichten zurück. Variable Nodes verbinden diese Informationen wiederum mit der Beobachtung des Übertragungskanals.

Nach mehreren Iterationen wird eine Entscheidung über jedes Bit getroffen. Erfüllt das rekonstruierte Wort sämtliche Paritätsbedingungen, kann die Decodierung beendet werden.

Grenzen iterativer Decoder

Belief Propagation arbeitet besonders gut auf Graphen, die lokal einem Baum ähneln. Kurze Zyklen, Trapping Sets und spezielle Fehlermuster können jedoch dazu führen, dass der Decoder nicht konvergiert oder ein falsches Codewort bevorzugt.

Bei sehr kleinen Fehlerraten kann dadurch ein sogenannter Error Floor auftreten. Die Fehlerrate sinkt dann langsamer weiter, als aufgrund des vorherigen Verlaufs erwartet würde. Für hochzuverlässige Systeme ist deshalb nicht nur der Schwellenbereich des Codes wichtig, sondern auch sein Verhalten bei seltenen, strukturell schwierigen Fehlerkonfigurationen.

Übergang zur Quantenfehlerkorrektur

Warum Qubits geschützt werden müssen

Ein idealer Qubit-Zustand kann als Superposition

\(|\psi\rangle = \alpha|0\rangle + \beta|1\rangle\)

beschrieben werden, wobei

\(|\alpha|^2 + |\beta|^2 = 1\)

gilt. Reale Qubits wechselwirken jedoch mit ihrer Umgebung. Zusätzlich besitzen physikalische Operationen endliche Genauigkeiten. Fehler können während Speicherung, Gatteroperationen, Messungen und Zustandspräparationen auftreten.

Besonders relevant sind Bit-Flip- und Phase-Flip-Fehler. Sie werden mit den Pauli-Operatoren X und Z beschrieben. Der Operator Y kombiniert beide Fehlerarten bis auf einen Phasenfaktor.

Die Pauli-Operatoren lauten

\(X = \begin{pmatrix}0 & 1 \\ 1 & 0\end{pmatrix}\)

\(Z = \begin{pmatrix}1 & 0 \\ 0 & -1\end{pmatrix}\)

und

\(Y = \begin{pmatrix}0 & -i \\ i & 0\end{pmatrix}\)

Besonderheiten der Quantenfehlerkorrektur

Bei klassischen Daten kann ein Bit prinzipiell ausgelesen und anschließend kopiert werden. Bei unbekannten Quantenzuständen ist dies nicht möglich. Das No-Cloning-Theorem verbietet das perfekte Kopieren eines beliebigen unbekannten Quantenzustands.

Darüber hinaus würde eine direkte Messung der gespeicherten logischen Information eine Superposition im Allgemeinen zerstören. Quantenfehlerkorrektur muss Fehler deshalb indirekt erkennen.

Die Lösung besteht darin, die logische Information redundant über mehrere physikalische Qubits zu verteilen und nur bestimmte gemeinsame Eigenschaften dieser Qubits zu messen. Diese Messungen liefern ein Fehlersyndrom, ohne den vollständigen logischen Zustand offenzulegen.

Quantum-LDPC-Codes

Definition

Quantum-LDPC-Codes sind Quantenfehlerkorrekturcodes, bei denen die Prüfoperatoren jeweils nur auf eine beschränkte Anzahl physikalischer Qubits wirken und jedes Qubit nur an einer beschränkten Anzahl solcher Prüfungen beteiligt ist. Die Struktur bleibt also dünn besetzt, auch wenn die Codegröße wächst.

Ein Quantencode wird häufig durch die Parameter

\([[n,k,d]]\)

beschrieben. Dabei bezeichnet n die Zahl physikalischer Qubits, k die Zahl geschützter logischer Qubits und d die Codedistanz.

Die Quantencode-Rate lautet entsprechend

\(R = \frac{k}{n}\)

Die Distanz d bestimmt, wie viele physikalische Fehler erforderlich sind, um eine nichttriviale logische Operation zu erzeugen, die vom Code nicht mehr als gewöhnlicher korrigierbarer Fehler unterschieden werden kann.

Stabilizer-Formalismus

Viele Quantum-LDPC-Codes werden im Stabilizer-Formalismus beschrieben. Ein Stabilizer-Code ist durch eine Menge miteinander kommutierender Pauli-Operatoren definiert. Gültige Codezustände sind gemeinsame Eigenzustände dieser Operatoren mit Eigenwert plus eins.

Für einen Stabilizer S gilt für einen Codezustand

\(S|\psi\rangle = |\psi\rangle\)

Tritt ein Fehler E auf, der mit einem Stabilizer antikommutiert, ändert sich das Ergebnis der entsprechenden Stabilizermessung. Dadurch entsteht ein Syndrom.

Entscheidend ist, dass die Stabilizer untereinander kommutieren müssen:

\(S_iS_j = S_jS_i\)

Diese Bedingung unterscheidet die Konstruktion von Quantum-LDPC-Codes wesentlich von klassischen LDPC-Codes. Eine beliebige dünn besetzte klassische Paritätsprüfmatrix kann nicht einfach als Quantenprüfmatrix übernommen werden.

Gewicht und Grad

Das Gewicht eines Stabilizer Checks bezeichnet die Zahl der Qubits, auf die der entsprechende Operator nicht trivial wirkt. Ein Quantum-LDPC-Code verlangt, dass dieses Gewicht bei wachsender Codegröße beschränkt bleibt oder zumindest nicht unkontrolliert wächst.

Ebenso soll jedes physikalische Qubit nur Bestandteil einer begrenzten Zahl von Stabilizern sein. Diese Bedingungen halten Syndrommessungen und Decoderstrukturen grundsätzlich beherrschbar.

Degeneracy

Ein spezielles Merkmal von Quantencodes ist Degeneracy. Unterschiedliche physikalische Fehler können auf dem Codespace dieselbe Wirkung besitzen. Zwei Fehler E und F sind logisch äquivalent, wenn sie sich lediglich um einen Stabilizer unterscheiden.

Formal kann beispielsweise gelten:

\(E = FS\)

wobei S ein Stabilizer ist. Dann führen E und F zum gleichen logischen Zustand. Ein Quantum-Decoder muss daher nicht zwingend den tatsächlich aufgetretenen physikalischen Fehler bestimmen. Er muss lediglich eine Korrektur finden, die zur richtigen Äquivalenzklasse gehört.

CSS-Codes und ihre Bedeutung für Quantum LDPC

Calderbank-Shor-Steane-Konstruktion

Eine besonders wichtige Klasse von Stabilizer-Codes sind CSS-Codes. Sie trennen die Behandlung von X- und Z-Fehlern. Dadurch können viele Konzepte klassischer linearer Codes direkt in die Konstruktion von Quantencodes einfließen.

Ein CSS-Code verwendet zwei binäre Paritätsprüfmatrizen, die gewöhnlich mit H_X und H_Z bezeichnet werden. Damit die zugehörigen X- und Z-Stabilizer miteinander kommutieren, muss

\(H_XH_Z^T = 0\)

gelten.

Diese Orthogonalitätsbedingung ist eine zentrale konstruktive Einschränkung. Klassische LDPC-Codes können relativ frei optimiert werden. Bei CSS-basierten Quantum-LDPC-Codes müssen zwei dünn besetzte Strukturen gleichzeitig gute Codeeigenschaften besitzen und zusätzlich diese Kommutationsbedingung erfüllen.

Syndrom für X- und Z-Fehler

Ein Z-artiger Prüfoperator erkennt X-artige Fehler, während ein X-artiger Prüfoperator Z-artige Fehler erkennt. Diese Trennung ermöglicht es, einen großen Teil der Quantenfehlerkorrektur auf binäre Syndrome zurückzuführen.

Bei idealisierten Pauli-Fehlermodellen können X- und Z-Komponenten deshalb teilweise getrennt decodiert werden. Bei realistischen Hardwarefehlern existieren allerdings Korrelationen, die leistungsfähigere Decoder berücksichtigen sollten.

Wichtige Familien von Quantum-LDPC-Codes

Hypergraph-Product Codes

Hypergraph-Product Codes gehören zu den grundlegenden Quantum-LDPC-Konstruktionen. Sie erzeugen einen Quantencode aus zwei klassischen Codes beziehungsweise ihren Paritätsprüfmatrizen. Durch geeignete Produktstrukturen entstehen X- und Z-Prüfmatrizen, die automatisch die erforderliche Kommutationsbedingung erfüllen.

Diese Konstruktionen waren wichtig, weil sie gezeigt haben, dass Quantum-LDPC-Codes mit nicht trivialer Rate und deutlich wachsender Distanz systematisch erzeugt werden können. Gegenüber rein zweidimensionalen topologischen Codes eröffnen sie eine größere strukturelle Freiheit.

Homological- und Hypergraph-basierte Konstruktionen

Viele Quantum-LDPC-Codes können geometrisch oder homologisch interpretiert werden. Qubits, Prüfoperatoren und logische Operatoren entsprechen dann bestimmten Elementen eines algebraischen oder geometrischen Komplexes.

Diese Sichtweise ist mehr als mathematische Eleganz. Sie erlaubt es, globale Eigenschaften des Codes mit lokalen Verknüpfungsstrukturen zu verbinden. Insbesondere kann untersucht werden, wie die Topologie beziehungsweise Kombinatorik des zugrunde liegenden Raums die Codedistanz und die Zahl logischer Qubits beeinflusst.

Quantum Expander Codes

Expander-Graphen besitzen starke Verbindungseigenschaften: Kleine Knotenmengen sind mit vergleichsweise vielen Knoten außerhalb dieser Menge verbunden. Diese Eigenschaft ist für Fehlerkorrektur nützlich, weil lokale Fehlermuster eine ausreichend deutliche globale Signatur im Syndrom erzeugen können.

Quantum Expander Codes nutzen solche Graphstrukturen und ermöglichen unter bestimmten Voraussetzungen effiziente Decodierungsalgorithmen. Besonders bekannt ist der Small-Set-Flip-Ansatz, der lokale Mengen von Qubits verändert, wenn dadurch das Syndrom ausreichend reduziert wird.

Lifted-Product und Balanced-Product Codes

Neuere Produktkonstruktionen verbessern die asymptotischen Eigenschaften von Quantum-LDPC-Codes erheblich. Lifted-Product und Balanced-Product Ansätze verwenden zusätzliche algebraische Strukturen, um die Einschränkungen einfacherer Produktcodes zu überwinden.

Das übergeordnete Ziel besteht darin, gleichzeitig eine konstante Rate

\(\frac{k}{n} = \Theta(1)\)

und eine Distanz zu erreichen, die proportional zur Codegröße wächst:

\(d = \Theta(n)\)

Wenn zudem die Stabilizer-Gewichte beschränkt bleiben, spricht man von asymptotisch guten Quantum-LDPC-Codes.

Bedeutung moderner Konstruktionen

Die Existenz solcher Codefamilien ist theoretisch bedeutsam. Lange Zeit war unklar, ob Quantum-LDPC-Codes gleichzeitig konstante Rate und lineare Distanz besitzen können. Moderne Konstruktionen zeigen, dass dies grundsätzlich möglich ist.

Damit ist jedoch noch nicht automatisch bewiesen, dass diese Codes für konkrete Quantenprozessoren optimal sind. Asymptotische Codeparameter sind nur ein Teil des Problems. Für praktische Systeme müssen zusätzlich Syndrome effizient gemessen, logische Operationen realisiert und Fehler mit niedriger Latenz decodiert werden.

Das Problem guter Quantum-LDPC-Codes

Rate, Distanz und Lokalität

Für einen skalierbaren Quantencode sind mehrere Eigenschaften gleichzeitig erwünscht. Erstens sollte die Rate hoch sein, damit eine wachsende Zahl physikalischer Qubits auch eine proportionale Zahl logischer Qubits trägt. Zweitens sollte die Distanz stark mit der Systemgröße wachsen. Drittens sollten alle Prüfoperatoren ein geringes Gewicht besitzen.

Diese Anforderungen stehen in vielen Codefamilien in Konkurrenz. Surface Codes bieten beispielsweise geometrisch lokale Checks mit geringem Gewicht, besitzen aber bei wachsender Distanz eine verschwindende Coderate.

Bei asymptotisch guten Quantum-LDPC-Familien kann dagegen gelten:

\(k = \Theta(n)\)

und

\(d = \Theta(n)\)

bei beschränktem Check-Gewicht. Theoretisch ist dies äußerst attraktiv, weil die Zahl der geschützten logischen Qubits wesentlich effizienter mit der Hardwaregröße skaliert.

Asymptotik ist nicht gleich praktische Überlegenheit

Ein Code mit hervorragenden asymptotischen Eigenschaften kann bei den tatsächlich verfügbaren Codegrößen trotzdem weniger effizient sein als ein einfacherer Code. Konstanten, Decoderaufwand, Konnektivität und Syndrome-Extraktionsschaltungen können den theoretischen Vorteil teilweise oder vollständig aufzehren.

Für reale Quantencomputer zählt deshalb nicht allein die mathematische Coderate. Entscheidend ist der gesamte Ressourcenaufwand, der erforderlich ist, um eine bestimmte logische Fehlerrate mit realistischen physikalischen Fehlerraten zu erreichen.

Decodierung von Quantum-LDPC-Codes

Aufgabe des Decoders

Ein Quantenfehlerdecoder erhält ein Syndrom und soll daraus eine geeignete Korrekturoperation bestimmen. Dabei kennt er den tatsächlichen physikalischen Fehler nicht. Er muss aus den Messdaten und einem Fehlermodell auf eine wahrscheinliche Fehlerklasse schließen.

Sei E der tatsächliche Fehler und C die berechnete Korrektur. Erfolgreiche Korrektur bedeutet nicht zwingend

\(C = E\)

sondern es genügt, wenn das Produkt aus Korrektur und Fehler zum Stabilizer gehört:

\(CE \in \mathcal{S}\)

wobei \(\mathcal{S}\) die Stabilizer-Gruppe bezeichnet.

Liegt \(CE\) dagegen in einer nichttrivialen logischen Klasse, entsteht trotz scheinbar konsistentem Syndrom ein logischer Fehler.

Belief Propagation für Quantum-LDPC-Codes

Aufgrund der dünn besetzten Graphstruktur liegt es nahe, klassische Belief-Propagation-Verfahren auch bei Quantum-LDPC-Codes einzusetzen. Das Syndrom wird dabei über einen Faktorgraphen verarbeitet, und Qubit- sowie Check-Knoten tauschen Wahrscheinlichkeitsinformationen aus.

Die quantenmechanische Degeneracy erschwert diesen Ansatz. Ein klassischer Decoder versucht gewöhnlich, das wahrscheinlichste konkrete Fehlerwort zu finden. Im Quantenfall wäre dagegen die wahrscheinlichste logische Fehlerklasse das eigentlich relevante Ziel. Mehrere physikalische Fehler mit demselben Syndrom können zur gleichen Korrekturklasse gehören.

Dadurch kann ein Decoder physikalische Fehler unterscheiden, die aus logischer Sicht gar nicht unterschieden werden müssten.

Belief Propagation und Ordered Statistics Decoding

Ein verbreiteter Ansatz kombiniert Belief Propagation mit Ordered Statistics Decoding. Belief Propagation erzeugt zunächst Zuverlässigkeitsinformationen für die einzelnen Fehlerpositionen. Anschließend verwendet OSD diese Informationen, um eine strukturierte Suche nach einer syndromkompatiblen Lösung durchzuführen.

Diese Kombination kann Fehler korrigieren, bei denen reine Belief Propagation aufgrund kurzer Zyklen oder symmetrischer Konfigurationen nicht konvergiert.

Der Preis ist zusätzlicher Rechenaufwand. Für einen praktischen Quantencomputer muss deshalb untersucht werden, ob die Decoderlatenz mit der Geschwindigkeit der Quantenhardware vereinbar ist.

Small-Set-Flip

Small-Set-Flip ist eng mit bestimmten Quantum Expander Codes verbunden. Der Decoder sucht kleine Mengen von Qubits, deren Veränderung das aktuelle Syndrom deutlich verbessert. Der Vorgang wird iterativ wiederholt.

Der Vorteil liegt in der lokalen Struktur und der Möglichkeit mathematischer Garantien für geeignete Codefamilien und Fehlermodelle. Nicht jeder Quantum-LDPC-Code besitzt jedoch die für diesen Decoder erforderlichen Eigenschaften.

Matching und Union-Find

Minimum-Weight Perfect Matching ist insbesondere durch Surface Codes bekannt. Dort können Syndrome unter geeigneten Rauschmodellen als Defekte interpretiert werden, die paarweise miteinander verbunden werden müssen.

Allgemeine Quantum-LDPC-Strukturen besitzen meist komplexere Beziehungen. Matching lässt sich daher nicht ohne Weiteres universell übertragen. Ähnliches gilt für Union-Find-Verfahren. Dennoch können graphbasierte Cluster- und Matching-Ideen Bestandteil spezialisierter qLDPC-Decoder sein.

Decoderlatenz als Systemproblem

Ein leistungsfähiger Code nützt wenig, wenn die Korrekturentscheidung langsamer erfolgt als das Quantensystem neue Syndrome produziert. Große fehlertolerante Quantencomputer benötigen daher eine leistungsfähige klassische Verarbeitungsschicht.

Der Decoder muss massiv parallelisierbar sein, große Datenmengen verarbeiten und Ergebnisse mit vorhersagbarer Latenz liefern. Quantum Error Correction ist deshalb immer ein hybrides Problem aus Quantenhardware, Codierungstheorie und klassischer Hochleistungsdatenverarbeitung.

Quantum-LDPC-Codes im Vergleich zu Surface Codes

Surface Codes als Referenz

Surface Codes sind eine der bekanntesten Architekturen für Quantenfehlerkorrektur. Ihre Stärke liegt vor allem in ihrer geometrischen Lokalität. Stabilizer Checks wirken auf benachbarte Qubits in einer zweidimensionalen Anordnung. Das passt gut zu Quantenprozessoren, deren Qubits nur mit unmittelbaren Nachbarn gekoppelt werden können.

Die Kehrseite ist der Ressourcenbedarf. Um die Codedistanz zu erhöhen, muss die zweidimensionale Fläche vergrößert werden. Die Zahl physikalischer Qubits pro logischem Qubit wächst dadurch stark.

Potenzieller Vorteil von qLDPC

Quantum-LDPC-Codes können eine wesentlich höhere Rate erreichen. Statt nur wenige logische Qubits in einem großen physikalischen Block zu schützen, können geeignete qLDPC-Codes viele logische Qubits gemeinsam codieren.

Das könnte den Hardwareaufwand für große fehlertolerante Register deutlich reduzieren. Der Vorteil wird besonders relevant, wenn ein zukünftiger Quantencomputer Tausende oder Millionen logische Qubits benötigen sollte.

Konnektivität als entscheidender Unterschied

Die höhere Rate moderner qLDPC-Codes wird häufig mit komplexeren Verbindungsstrukturen erkauft. Zwei Qubits, die im Codegraphen miteinander gekoppelt sind, müssen physikalisch nicht räumlich benachbart sein.

Auf streng zweidimensionalen Architekturen können solche Verbindungen zusätzliche SWAP-Operationen, Routing-Strukturen oder Hilfsqubits erfordern. Dadurch entstehen neue Fehlerquellen und Zeitkosten.

qLDPC-Codes sind daher besonders interessant für Hardwareplattformen, die flexible oder nichtlokale Konnektivität anbieten können.

Keine universelle Rangfolge

Es wäre falsch, Quantum-LDPC-Codes grundsätzlich als Nachfolger oder Ersatz von Surface Codes zu betrachten. Die optimale Fehlerkorrektur hängt von der Hardwareplattform, dem Fehlermodell, der verfügbaren Konnektivität, der Geschwindigkeit der Messungen und den Anforderungen der Anwendung ab.

Surface Codes lösen das Problem der physikalischen Lokalität besonders elegant. qLDPC-Codes adressieren dagegen stärker das Problem der Codierungsrate und des langfristigen Qubit-Overheads. Welche Architektur überlegen ist, muss daher auf Systemebene beurteilt werden.

Implementierung in Quantenhardware

Syndromextraktion

Ein Stabilizer kann nicht einfach wie ein klassischer Speicherwert ausgelesen werden. Stattdessen werden gewöhnlich zusätzliche Ancilla-Qubits verwendet. Diese wechselwirken durch eine Sequenz von Quantengattern mit den Datenqubits und werden anschließend gemessen.

Das Messergebnis liefert die Eigenwertinformation des Stabilizers, ohne den vollständigen logischen Quantenzustand zu bestimmen.

Die Syndromextraktionsschaltung selbst ist jedoch fehleranfällig. Ein Fehler auf einem Ancilla-Qubit kann sich durch Mehrqubit-Gatter auf mehrere Datenqubits ausbreiten. Deshalb muss die Messschaltung so konstruiert werden, dass einzelne physikalische Fehler nicht unkontrolliert zu hochgewichtigen Datenfehlern werden.

Wiederholte Messungen

Auch Syndrommessungen sind fehlerhaft. Ein einzelnes ungewöhnliches Messergebnis muss deshalb nicht bedeuten, dass sich der Fehlerzustand der Datenqubits tatsächlich geändert hat.

Praktische Fehlerkorrektur verwendet häufig eine Folge von Syndromrunden. Der Decoder verarbeitet dann nicht nur räumliche, sondern auch zeitliche Informationen.

Das Decodierungsproblem wird dadurch wesentlich größer. Statt eines einzelnen Fehlervektors muss eine Raum-Zeit-Struktur aus Datenfehlern und Messfehlern rekonstruiert werden.

Hardwarekonnektivität

Die physikalische Realisierbarkeit eines qLDPC-Codes hängt stark davon ab, wie seine Check-Operatoren auf der Hardware implementiert werden können. Ein Check geringen Gewichts ist noch nicht automatisch einfach. Liegen die beteiligten Qubits weit auseinander, muss ihre Wechselwirkung technisch vermittelt werden.

Supraleitende Qubits besitzen typischerweise eine stark geometrisch geprägte Kopplungsstruktur. Ionenfallen können flexiblere Wechselwirkungen erlauben. Neutralatomplattformen bieten rekonfigurierbare Geometrien und unterschiedliche Möglichkeiten zur Mehrqubit-Wechselwirkung. Photonische und modulare Architekturen können wiederum natürliche Wege zu nichtlokalen Verbindungen eröffnen.

Deshalb existiert keine hardwareunabhängige Bewertung eines qLDPC-Codes.

Fault-Tolerant Quantum Computing mit LDPC-Codes

Fehlerkorrektur allein reicht nicht

Ein Quantenspeicher, der einen logischen Zustand schützen kann, ist noch kein fehlertoleranter Quantencomputer. Auch logische Gatter, Zustandspräparationen und Messungen müssen so durchgeführt werden, dass einzelne physikalische Fehler nicht zu unkontrollierbaren logischen Fehlern führen.

Fault Tolerance verlangt daher, dass alle Bestandteile der Berechnung mit der Fehlerkorrektur kompatibel sind.

Logische Operationen

Logische Gatter wirken auf codierte Zustände. Bei manchen Codes können bestimmte Gatter transversal durchgeführt werden. Dabei wirkt jedes physikalische Gatter nur zwischen korrespondierenden Qubits verschiedener Codeblöcke. Ein einzelner Hardwarefehler kann sich dadurch nicht beliebig innerhalb eines Blocks ausbreiten.

Kein gewöhnlicher stabilizerbasierter Code kann jedoch eine universelle Menge logischer Quantengatter vollständig transversal realisieren. Für universelles Quantencomputing werden deshalb zusätzliche Verfahren benötigt.

Magic States und zusätzliche Ressourcen

Eine verbreitete Möglichkeit besteht darin, bestimmte nicht-Clifford-Operationen über vorbereitete Ressourcenzustände zu implementieren. Diese Magic States müssen mit hoher Genauigkeit erzeugt oder destilliert werden.

Der dafür erforderliche Ressourcenaufwand kann bei großen Quantenalgorithmen erheblich sein. Die Gesamtbewertung eines qLDPC-basierten Computers muss daher nicht nur Speicher-Qubits und Stabilizer Checks berücksichtigen, sondern auch die Kosten logischer Gatter.

qLDPC als Architekturproblem

Der eigentliche Vorteil eines Quantum-LDPC-Codes entsteht erst dann, wenn seine hohe Rate mit effizienten logischen Operationen, realistischer Syndromextraktion und schneller Decodierung kombiniert werden kann.

Der Übergang von einem mathematisch guten Code zu einer vollständigen Fault-Tolerant-Architektur ist deshalb ein eigener Entwicklungsschritt.

Ressourcenbedarf und Skalierbarkeit

Physikalische und logische Qubits

Eine der zentralen Kennzahlen eines fehlertoleranten Quantencomputers ist das Verhältnis physikalischer zu logischen Qubits. Bei einem Code mit Rate

\(R = \frac{k}{n}\)

werden n physikalische Qubits verwendet, um k logische Qubits zu speichern. Diese einfache Relation berücksichtigt allerdings noch keine Ancillas, Routing-Qubits, Reservekapazitäten und Ressourcen für logische Operationen.

Ein praktischer Overhead muss deshalb auf Ebene des gesamten Systems berechnet werden.

Bedeutung hoher qLDPC-Raten

Besitzt eine Codefamilie asymptotisch eine konstante Rate, steigt die Zahl der logischen Qubits proportional zur Zahl der physikalischen Qubits. Das ist ein grundlegender Unterschied zu vielen topologischen Codes mit verschwindender Rate.

Dieser Effekt kann bei sehr großen Systemen entscheidend werden. Für kleine Codes dominieren jedoch häufig andere Faktoren wie schlechte Konstanten, komplexe Schaltungen oder hohe Decoderkosten.

Klassische Rechenressourcen

Quantenfehlerkorrektur benötigt zusätzlich erhebliche klassische Rechenleistung. Jede Syndromrunde erzeugt Daten, die mit geringer Latenz verarbeitet werden müssen.

Bei Millionen physikalischer Qubits und schnellen Messzyklen entsteht ein kontinuierlicher Datenstrom. Die Architektur des Decoders muss daher hinsichtlich Parallelisierung, Speicherbandbreite, Kommunikation und Energieverbrauch optimiert werden.

Die Skalierbarkeit eines Quantencodes darf folglich nicht nur in Qubits gemessen werden. Auch die klassische Steuerungs- und Decodierungsinfrastruktur muss skalieren.

Zentrale Herausforderungen

Reale Fehlermodelle

Viele theoretische Analysen verwenden vereinfachte Fehlermodelle, bei denen Pauli-Fehler unabhängig auftreten. Reale Quantenhardware kann jedoch korrelierte Fehler, Crosstalk, Leakage, kohärente Fehler und zeitlich veränderliche Fehlerraten zeigen.

Ein Decoder, der unter einem idealisierten Modell sehr gut arbeitet, muss unter realistischen Bedingungen nicht dieselbe Leistung erreichen.

Fehlertolerante Check-Messungen

Quantum-LDPC-Codes besitzen zwar Stabilizer mit begrenztem Gewicht, doch deren geometrische Struktur kann komplex sein. Eine zentrale Forschungsfrage lautet daher, wie alle Checks parallel, schnell und fehlertolerant gemessen werden können.

Zusätzliche Gattertiefe kann den theoretischen Vorteil einer hohen Coderate erheblich reduzieren.

Schnelle Decoder

Ein Decoder muss nicht nur eine niedrige logische Fehlerrate erreichen. Er muss diese Entscheidung auch rechtzeitig liefern. Besonders komplexe Optimierungsverfahren können offline überzeugende Resultate erzeugen, für eine Echtzeitsteuerung jedoch ungeeignet sein.

Von besonderem Interesse sind deshalb parallele und hardwarebeschleunigte Decoder, deren Laufzeit mit wachsender Codegröße kontrollierbar bleibt.

Logische Gatter

Für viele moderne qLDPC-Familien ist die effiziente Implementierung universeller logischer Operationen weniger unmittelbar als bei etablierten Architekturen. Speicherleistung allein entscheidet jedoch nicht über den Nutzen eines Codes.

Eine erfolgreiche qLDPC-Architektur muss zeigen, dass auch eine lange Folge logischer Operationen bei akzeptabler Fehlerrate und vertretbarem Ressourcenverbrauch ausgeführt werden kann.

Endliche Codegrößen

Asymptotische Aussagen beschreiben das Verhalten für sehr große n. Praktische Quantencomputer arbeiten jedoch mit endlichen Codeblöcken. Entscheidend sind daher konkrete Schwellenwerte, reale Fehlerraten, logische Fehlerkurven und Ressourcenverhältnisse bei tatsächlich implementierbaren Größen.

Die praktische Zukunft von qLDPC-Codes wird wesentlich von solchen endlichen Regimen bestimmt werden.

Bedeutung für die zukünftige Quantentechnologie

Quantum-LDPC-Codes gehören zu den wichtigsten Ansätzen, um den langfristigen Ressourcenbedarf fehlertoleranter Quantencomputer zu reduzieren. Ihre zentrale Stärke ist nicht eine einzelne spektakuläre Eigenschaft, sondern die Möglichkeit, mehrere für große Systeme entscheidende Anforderungen miteinander zu verbinden.

Dünn besetzte Prüfstrukturen halten die Zahl lokaler Beziehungen pro Qubit begrenzt. Moderne Codefamilien können gleichzeitig hohe Raten und große Distanzen erreichen. Dadurch entsteht prinzipiell die Möglichkeit, große logische Register wesentlich dichter in physikalischer Hardware abzubilden als mit Codes niedriger Rate.

Diese theoretische Effizienz könnte besonders relevant werden, wenn Quantencomputer so groß werden, dass der Overhead der Fehlerkorrektur den überwiegenden Teil der Hardware bestimmt. Selbst moderate Einsparungen pro logischem Qubit können dann enorme Auswirkungen auf die Gesamtgröße des Systems haben.

Quantum-LDPC-Codes sollten deshalb nicht isoliert als mathematische Codes betrachtet werden. Ihre Zukunft hängt von vier eng miteinander verbundenen Ebenen ab: Codekonstruktion, Decodierung, Syndromextraktion und Hardwarearchitektur.

Ein theoretisch hervorragender Code ohne geeigneten Decoder ist praktisch unvollständig. Ein schneller Decoder hilft wenig, wenn die Stabilizer nur mit langen und fehleranfälligen Schaltungen gemessen werden können. Umgekehrt kann neue Quantenhardware mit flexibler Konnektivität Codefamilien praktisch interessant machen, die auf heutigen zweidimensionalen Prozessoren noch unvorteilhaft erscheinen.

Genau in diesem Zusammenspiel liegt die besondere Bedeutung von qLDPC-Codes. Sie erweitern den Designraum der Quantenfehlerkorrektur erheblich und zeigen, dass der hohe Qubit-Overhead heute dominierender Ansätze keine fundamentale Notwendigkeit sein muss.

Fazit

Low-density parity-check Codes beruhen auf einem klaren Prinzip: Eine große Menge Information wird durch viele lokale, aber dünn verteilte Konsistenzbedingungen geschützt. In klassischen Kommunikationssystemen ermöglicht diese Struktur leistungsfähige iterative Decodierung bei vergleichsweise geringem Rechenaufwand.

Quantum-LDPC-Codes übertragen dieses Prinzip auf die Quantenfehlerkorrektur. Physikalische Qubits werden durch Stabilizer Checks miteinander verknüpft, wobei jeder Check nur eine begrenzte Zahl von Qubits betrifft und jedes Qubit an einer begrenzten Zahl von Checks beteiligt ist.

Die Übertragung ist mathematisch anspruchsvoller als im klassischen Fall. Prüfoperatoren müssen kommutieren, Quantencodes sind degeneriert, Syndrome liefern keine eindeutige Beschreibung des physikalischen Fehlers und jede Fehlerkorrektur muss ohne direkte Messung der logischen Quanteninformation erfolgen.

CSS-Codes, Hypergraph-Product Codes, Quantum Expander Codes sowie neuere Lifted- und Balanced-Product-Konstruktionen zeigen, wie vielfältig der qLDPC-Ansatz inzwischen geworden ist. Besonders bedeutsam ist die Erkenntnis, dass asymptotisch gute Quantum-LDPC-Codefamilien grundsätzlich möglich sind. Konstante Coderate, linear wachsende Distanz und beschränktes Check-Gewicht schließen einander nicht grundsätzlich aus.

Damit ist das praktische Problem jedoch nicht gelöst. Entscheidend sind effiziente Decoder, robuste Syndromextraktion, realistische Konnektivität und fehlertolerante logische Operationen. Auch der klassische Rechenaufwand für Echtzeitdecodierung muss als Bestandteil des Gesamtsystems betrachtet werden.

Im Vergleich zu Surface Codes versprechen Quantum-LDPC-Codes vor allem eine bessere Nutzung physikalischer Qubits. Surface Codes besitzen dagegen den entscheidenden Vorteil geometrischer Lokalität und einer bereits sehr weit entwickelten Fehlertoleranzarchitektur. Welche Codeklasse langfristig dominiert, wird deshalb wesentlich von der Entwicklung der Quantenhardware abhängen.

Quantum-LDPC-Codes sind somit keine bloße Variante klassischer LDPC-Technik. Sie bilden eine eigenständige und zentrale Forschungsrichtung der Quanteninformation. Ihr wichtigstes Versprechen besteht darin, fehlertolerante Quantencomputer nicht nur zuverlässiger, sondern vor allem ressourceneffizienter skalierbar zu machen. Ob dieses Versprechen in realer Hardware vollständig eingelöst werden kann, gehört zu den entscheidenden Fragen der kommenden Generationen von Quantencomputern.

Mit freundlichen Grüßen Jörg-Owe Schneppat

Anhang

Wissenschaftliche Zeitschriften und Artikel

Die wissenschaftliche Literatur zu Low-Density Parity-Check Codes reicht von den grundlegenden Arbeiten zur klassischen Codierungstheorie bis zu modernen Quantum-LDPC-Konstruktionen mit hohen Coderaten, wachsender Distanz und spezialisierten Decodern. Für eine Abhandlung über LDPC-Codes in der Quantentechnologie sollte diese Entwicklung nachvollziehbar bleiben: Die klassischen Grundlagen erklären die dünn besetzten Paritätsprüfmatrizen und Tanner-Graphen, während die quantentechnische Primärliteratur zeigt, wie diese Prinzipien auf Stabilizer- und CSS-Codes übertragen und zu modernen qLDPC-Codefamilien weiterentwickelt werden.

Grundlegende Primärliteratur zu klassischen LDPC-Codes

  • Robert G. Gallager: Low-Density Parity-Check Codes, IRE Transactions on Information Theory, 1962.
    • Die grundlegende Primärarbeit zur Theorie der LDPC-Codes. Gallager definiert Codes über dünn besetzte Paritätsprüfmatrizen und untersucht ihre Distanz-, Fehler- und Decodierungseigenschaften. Diese Quelle sollte für die historische Einordnung, die ursprüngliche Definition von LDPC-Codes und die Erklärung ihrer strukturellen Grundidee verwendet werden.
  • R. Michael Tanner: A Recursive Approach to Low Complexity Codes, IEEE Transactions on Information Theory, 1981.
    • Tanners Arbeit etabliert die graphische Beschreibung von Codes durch bipartite Graphen, aus der die heute sogenannten Tanner-Graphen hervorgegangen sind. Sie ist zentral für das Verständnis von Variable Nodes, Check Nodes, lokalen Abhängigkeiten und graphbasierten Decodierungsverfahren. In einer LDPC-Abhandlung eignet sie sich besonders als Primärquelle für den Übergang von der Matrixdarstellung zur Graphdarstellung.

Grundlagenliteratur zur Quantenfehlerkorrektur

  • A. R. Calderbank und Peter W. Shor: Good Quantum Error-Correcting Codes Exist, Physical Review A, 1996.
    • Eine der grundlegenden Arbeiten der Quantenfehlerkorrektur. Sie zeigt, wie klassische Codierungskonzepte für den Schutz von Quanteninformation nutzbar gemacht werden können und bildet einen wesentlichen Teil der theoretischen Grundlage der später als CSS-Codes bezeichneten Codeklasse. Für Quantum-LDPC-Codes ist die Arbeit relevant, weil zahlreiche qLDPC-Konstruktionen auf CSS-Strukturen aufbauen.
  • Andrew M. Steane: Error Correcting Codes in Quantum Theory, Physical Review Letters, 1996.
    • Steanes Arbeit gehört zu den fundamentalen Quellen der Quantenfehlerkorrektur und zeigt die Verbindung zwischen klassischen linearen Codes und Quantencodes besonders anschaulich. Sie ist für die Behandlung von CSS-Codes, X- und Z-Fehlern sowie der Nutzung klassischer Paritätsstrukturen im Quantenfall von hoher Bedeutung.

Primärliteratur zu Quantum-LDPC-Codes und Produktkonstruktionen

  • Jean-Pierre Tillich und Gilles Zémor: Quantum LDPC Codes with Positive Rate and Minimum Distance Proportional to n1/2, IEEE Transactions on Information Theory, 2014.
    • Diese Arbeit führte die Hypergraph-Product-Konstruktion in eine für Quantum-LDPC-Codes besonders einflussreiche Form. Sie zeigt, wie aus klassischen Codes Quantum-LDPC-Codes mit positiver asymptotischer Rate und einer mit der Quadratwurzel der Blocklänge wachsenden Mindestdistanz konstruiert werden können. Die Quelle ist grundlegend für Abschnitte über Hypergraph-Product Codes und die Entwicklung moderner qLDPC-Familien.
  • Anthony Leverrier, Jean-Pierre Tillich und Gilles Zémor: Quantum Expander Codes, IEEE 56th Annual Symposium on Foundations of Computer Science, 2015.
    • Die Arbeit verbindet Quantum-LDPC-Codes mit den Expansionseigenschaften klassischer Graphen und entwickelt einen effizienten Decoder für Quantum-Hypergraph-Product Codes. Sie ist besonders relevant für die Darstellung von Quantum Expander Codes, lokalen Decodierungsverfahren und der Frage, unter welchen strukturellen Bedingungen qLDPC-Codes effizient korrigiert werden können.
  • Matthew B. Hastings, Jeongwan Haah und Ryan O'Donnell: Fiber Bundle Codes: Breaking the N1/2 polylog(N) Barrier for Quantum LDPC Codes, Proceedings of the 53rd Annual ACM SIGACT Symposium on Theory of Computing, 2021.
    • Diese Primärarbeit markiert einen wichtigen Schritt in der Entwicklung von Quantum-LDPC-Codes, da sie die lange bestehende Distanzbarriere klassischer Produktkonstruktionen überschreitet. Fiber-Bundle Codes sind für die historische Entwicklung moderner qLDPC-Theorie und für die Darstellung des Übergangs zu besseren asymptotischen Parametern besonders relevant.
  • Nikolas P. Breuckmann und Jens N. Eberhardt: Balanced Product Quantum Codes, IEEE Transactions on Information Theory, 2021.
    • Balanced-Product Codes erweitern die Produktmethoden für Quantum-LDPC-Codes und verbinden klassische Codes mit hochgradig strukturierten Graphen. Die Arbeit ist für die Darstellung moderner algebraischer qLDPC-Konstruktionen sowie für das Verständnis der Entwicklung hin zu gleichzeitig hoher Dimension und großer Distanz besonders geeignet.
  • Pavel Panteleev und Gleb Kalachev: Quantum LDPC Codes With Almost Linear Minimum Distance, IEEE Transactions on Information Theory, 2022.
    • Die Arbeit führte die Lifted-Product-Konstruktion ein und erzielte qLDPC-Codefamilien mit nahezu linearer Mindestdistanz. Sie gehört zu den zentralen Zwischenschritten auf dem Weg zum Nachweis asymptotisch guter Quantum-LDPC-Codes und sollte insbesondere in Abschnitten über Lifted Products, Distanzskalierung und moderne qLDPC-Codeparameter verwendet werden.
  • Pavel Panteleev und Gleb Kalachev: Asymptotically Good Quantum and Locally Testable Classical LDPC Codes, Proceedings of the 54th Annual ACM SIGACT Symposium on Theory of Computing, 2022.
    • Diese Arbeit ist ein Meilenstein der qLDPC-Theorie. Sie konstruiert Quantum-LDPC-Codefamilien mit konstanter Rate und linear wachsender Distanz und löst damit ein lange offenes Grundproblem der Quantenkodierungstheorie. Für eine wissenschaftliche Abhandlung ist sie die zentrale Primärquelle zur Frage, was unter asymptotisch guten Quantum-LDPC-Codes verstanden wird und warum deren Existenz theoretisch so bedeutend ist.

Spezialisierte Arbeiten zu Decodierung und endlichen Codegrößen

  • Pavel Panteleev und Gleb Kalachev: Degenerate Quantum LDPC Codes With Good Finite Length Performance, Quantum, 2021.
    • Die Arbeit untersucht Quantum-LDPC-Codes bei praktisch relevanten endlichen Blocklängen und zeigt die Leistungsfähigkeit der Kombination aus Belief Propagation und Ordered Statistics Decoding. Sie ist eine wichtige Spezialquelle für Degeneracy, BP-OSD, endliche Codegrößen und den Vergleich der tatsächlichen Fehlerkorrekturleistung unterschiedlicher qLDPC-Codes.
  • Nicolas Delfosse, Vivien Londe und Michael E. Beverland: Toward a Union-Find Decoder for Quantum LDPC Codes, IEEE Transactions on Information Theory, 2022.
    • Diese Arbeit überträgt zentrale Ideen der Union-Find-Decodierung auf allgemeinere Quantum-LDPC-Strukturen. Sie eignet sich als Spezialliteratur zur Diskussion alternativer Decoder, insbesondere wenn Belief Propagation nicht als alleiniger Ansatz betrachtet werden soll. Zugleich verdeutlicht sie, wie stark die Eignung eines Decoders von der Struktur einer qLDPC-Codefamilie abhängt.

Überblicks- und Einordnungsliteratur zu Quantum-LDPC-Codes

  • Nikolas P. Breuckmann und Jens Niklas Eberhardt: Quantum Low-Density Parity-Check Codes, PRX Quantum, 2021.
    • Diese Perspective bietet einen wissenschaftlich fundierten Überblick über die wichtigsten qLDPC-Codefamilien, Produktkonstruktionen, asymptotischen Parameter und offenen Forschungsfragen. Sie eignet sich besonders zur strukturierten Einordnung der Primärliteratur und als Ausgangspunkt, um Zusammenhänge zwischen Surface Codes, Hypergraph-Product Codes und neueren qLDPC-Konstruktionen darzustellen.

Spezialisierte Arbeiten zu Hardware, Lokalität und Implementierung

  • Noah Berthusen, Dhruv Devulapalli, Eddie Schoute, Andrew M. Childs, Michael J. Gullans, Alexey V. Gorshkov und Daniel Gottesman: Toward a 2D Local Implementation of Quantum Low-Density Parity-Check Codes, PRX Quantum, 2025.
    • Die Arbeit adressiert eines der zentralen praktischen Probleme moderner qLDPC-Codes: ihre teilweise nichtlokale Konnektivität. Untersucht wird, wie insbesondere bivariate Bicycle Codes unter zweidimensionalen Lokalitätsbeschränkungen implementiert werden können. Die Quelle eignet sich für Abschnitte über Routing, Syndromextraktion, Hardwarekonnektivität und den praktischen Vergleich mit Surface Codes.
  • Christopher A. Pattison, Anirudh Krishna und John Preskill: Hierarchical Memories: Simulating Quantum LDPC Codes with Local Gates, Quantum, 2025.
    • Diese Arbeit untersucht, wie die Vorteile von Quantum-LDPC-Codes mit geometrisch lokalen Operationen verbunden werden können. Vorgeschlagen werden hierarchische Speicherarchitekturen, die qLDPC- und Surface-Code-Ideen kombinieren. Sie ist besonders nützlich, um den Unterschied zwischen mathematisch günstigen Codeparametern und den realen Anforderungen einer physikalischen Implementierung herauszuarbeiten.

Bücher und Monographien

Bücher und Monographien sind für die systematische Herleitung der mathematischen und physikalischen Grundlagen besonders geeignet. Während die Primärliteratur einzelne Durchbrüche dokumentiert, bieten Standardwerke eine zusammenhängende Darstellung von Codierungstheorie, Informationstheorie, Quanteninformation und Quantenfehlerkorrektur. Für eine wissenschaftliche Abhandlung sollten sie vor allem zur Definition grundlegender Begriffe und zur methodischen Einordnung der spezialisierten qLDPC-Literatur eingesetzt werden.

Standardwerke zu LDPC-Codes und moderner Codierungstheorie

  • Robert G. Gallager: Low-Density Parity-Check Codes, The MIT Press, 1963.
    • Gallagers Monographie ist die klassische ausführliche Darstellung der ursprünglichen LDPC-Theorie. Sie behandelt die Konstruktion dünn besetzter Codes, Decodierungsverfahren und asymptotische Eigenschaften wesentlich umfassender als der ursprüngliche Zeitschriftenartikel. Für eine Abhandlung eignet sie sich als historische und theoretische Grundlagenquelle.
  • Tom Richardson und Rüdiger Urbanke: Modern Coding Theory, Cambridge University Press, 2008.
    • Ein zentrales Standardwerk der modernen Codierungstheorie. Es behandelt sparse-graph codes, iterative Decodierung, Density Evolution, Ensembles und Expander-Codes auf einem mathematisch fundierten Niveau. Für LDPC-Codes ist das Werk besonders wertvoll, um Gallagers ursprüngliche Theorie mit der modernen graphbasierten Sicht und leistungsfähigen iterativen Decodern zu verbinden.
  • David J. C. MacKay: Information Theory, Inference, and Learning Algorithms, Cambridge University Press, 2003.
    • MacKays Werk verbindet Informationstheorie, probabilistische Inferenz und moderne Fehlerkorrektur. Besonders relevant sind die anschaulichen Darstellungen von LDPC-Codes und Message-Passing-Verfahren. Das Buch eignet sich hervorragend als Hintergrundliteratur für Belief Propagation, Wahrscheinlichkeitsmodelle und die intuitive Erklärung iterativer Decodierung.

Standardwerke zur Quanteninformation

  • Michael A. Nielsen und Isaac L. Chuang: Quantum Computation and Quantum Information, 10th Anniversary Edition, Cambridge University Press, 2010.
    • Das Standardwerk zur Quanteninformation und zum Quantencomputing vermittelt die notwendigen physikalischen und mathematischen Grundlagen für Quantenfehlerkorrektur. Für eine qLDPC-Abhandlung ist es insbesondere zur Erklärung von Qubits, Pauli-Operatoren, Quantencodes, Fehlerkanälen, Stabilizer-Konzepten und fehlertolerantem Quantencomputing geeignet.
  • Daniel A. Lidar und Todd A. Brun (Hrsg.): Quantum Error Correction, Cambridge University Press, 2013.
    • Dieses umfangreiche Fachwerk konzentriert sich gezielt auf Quantenfehlerkorrektur und behandelt sowohl grundlegende als auch weiterführende Verfahren. Es eignet sich zur Vertiefung von Stabilizer-Codes, Fehlerkanälen, Fehlertoleranz, Syndrome Extraction und verwandten Schutzmechanismen. Für den Quantum-LDPC-Kontext liefert es die breitere theoretische Grundlage, in die qLDPC-Codes eingeordnet werden müssen.

Online-Ressourcen und Datenbanken

Online-Ressourcen sind bei Quantum-LDPC-Codes besonders wichtig, weil sich das Forschungsgebiet schnell entwickelt und viele relevante Arbeiten zunächst als Preprints erscheinen. Für eine wissenschaftliche Abhandlung sollten solche Plattformen nicht als Ersatz für Primärliteratur dienen, sondern zur Literaturrecherche, zum Auffinden neuerer Arbeiten, zur Prüfung von Publikationsversionen und zur systematischen Einordnung unterschiedlicher Codefamilien verwendet werden.

Vorlesungsnotizen und Monographie-nahe Ressourcen

  • John Preskill: Quantum Information and Computation – Chapter 7: Quantum Error Correction, California Institute of Technology.
    • Preskills Vorlesungsnotizen bieten eine mathematisch fundierte und zugleich didaktisch klare Einführung in Quantenfehlerkorrektur. Kapitel 7 behandelt unter anderem klassische lineare Codes, CSS-Codes, Stabilizer-Codes und grundlegende Fehlerkorrekturkriterien. Die Ressource eignet sich hervorragend zur Überprüfung von Definitionen und zur Verbindung klassischer Codierungstheorie mit der Quantenfehlerkorrektur.
  • John Preskill: Physics 219 – Quantum Information and Computation, California Institute of Technology.
    • Die Kursseite bündelt Vorlesungsmaterialien zu Quanteninformation, Quantenfehlerkorrektur und verwandten Themen und wird über längere Zeit weiter gepflegt. Sie ist keine Primärquelle für qLDPC-Forschung, aber eine hochwertige akademische Ressource zur Klärung von Grundlagen und zur Einordnung weiterführender Literatur.

Fachjournale und Verlage

  • IEEE Xplore Digital Library, Institute of Electrical and Electronics Engineers.
    • IEEE Xplore ist für die Recherche zu klassischen LDPC-Codes, Informationstheorie, Decodierung und zahlreichen Quantum-LDPC-Arbeiten besonders relevant. Die Datenbank sollte genutzt werden, um bibliographische Angaben, Journal-Versionen, Konferenzbeiträge und DOI-Daten verlässlich zu prüfen.
  • Physical Review und PRX Quantum, American Physical Society.
    • Die Journale der American Physical Society enthalten zentrale Arbeiten zur Quantenfehlerkorrektur, Quanteninformation und Implementierung von Quantencodes. PRX Quantum ist insbesondere für moderne Arbeiten an der Schnittstelle zwischen theoretischen Codes und experimentell relevanten Architekturen von Bedeutung.
  • Quantum – the open journal for quantum science.
    • Quantum veröffentlicht begutachtete Open-Access-Arbeiten aus Quanteninformation und Quantencomputing. Für qLDPC-Codes finden sich dort unter anderem Arbeiten zu Decodierung, Finite-Length Performance, Hardwarefragen und neuen Codevarianten. Die Plattform ist besonders nützlich, weil Artikel, bibliographische Informationen und DOI-Daten frei zugänglich bereitgestellt werden.
  • ACM Digital Library, Association for Computing Machinery.
    • Die ACM Digital Library ist für Quantum-LDPC-Codes vor allem wegen grundlegender Arbeiten aus theoretischer Informatik und Komplexitätstheorie relevant. Mehrere wichtige qLDPC-Durchbrüche wurden auf der STOC-Konferenz veröffentlicht. Die Datenbank sollte zur Prüfung der endgültigen Konferenzversionen und DOI-Angaben genutzt werden.

Lern- und Forschungsplattformen

  • arXiv – Quantum Physics und Information Theory.
    • arXiv ist für die qLDPC-Forschung eine zentrale Rechercheplattform. Neue Konstruktionen, Decoder und Implementierungsansätze erscheinen häufig zunächst als Preprints. Für eine wissenschaftliche Abhandlung sollte arXiv zur Recherche und zum Zugriff auf Vorabversionen genutzt werden; sofern eine begutachtete Journal- oder Konferenzversion existiert, sollte diese für die endgültige bibliographische Angabe bevorzugt werden.
  • Error Correction Zoo: Qubit QLDPC Code.
    • Der Error Correction Zoo ist eine strukturierte wissenschaftliche Wissenssammlung zu klassischen und quantenmechanischen Fehlerkorrekturcodes. Die qLDPC-Seiten bieten eine systematische Einordnung verwandter Codefamilien, Decoder, Codeparameter und Primärquellen. Die Plattform ist besonders als Recherchehilfe geeignet, sollte jedoch bei konkreten wissenschaftlichen Aussagen durch die jeweils angegebene Primärliteratur ergänzt werden.
  • Error Correction Zoo: Qubit QLDPC Codes – Codeübersicht.
    • Die spezialisierte Übersicht fasst verschiedene nichtgitterbasierte Quantum-LDPC-Codefamilien zusammen und erleichtert den Vergleich von Hypergraph-Product-, homological-product- und verwandten Konstruktionen. Sie eignet sich vor allem dazu, neue Suchrichtungen für die Primärliteratur zu identifizieren.
Valley-Qubits

Valley-Qubits

...

Bose-Hubbard-Hamiltonoperator

Bose-Hubbard-Hamiltonoperator

...

Toffoli-Gatter (CCNOT - Controlled-Controlled-NOT)

Toffoli-Gatter (CCNOT – Controlled-Controlled-NOT)

...

Charm-Quarks

Charm-Quarks

...

Einzelphoton-Qubits

Einzelphoton-Qubits

...

Gradient Echo Memory (GEM)

Gradient Echo Memory (GEM)

...