#!/usr/bin/env python3
"""
repetition_code_model.py — Modelo único del código de repetición sobre canal de borrado
=====================================================================================
Fuente única de verdad para todas las cifras de ε_logical publicadas en
cuantic-control.tech (auditoría 2026-11-16: "regenerar la tabla desde un único
script publicado").

Modelo
------
* Canal: qubit fotónico dual-rail con pérdida efectiva por qubit físico
  eps_phys = 1 - F_eff = 4.76e-2 (referencia CORNERSTONE, 0.103 dB/segmento,
  valor publicado en el sitio).
* Detector: toda ausencia de clic es un borrado ANUNCIADO (dual-rail). Con
  eficiencia eta_det < 1, un fotón que llega deja de detectarse con prob.
  (1 - eta_det), lo que añade borrados extra (no errores ocultos):
      q(eta) = 1 - eta * (1 - eps_phys)
* Código: REPETICIÓN CLÁSICA de distancia d con decisión por mayoría sobre
  los supervivientes. Tolera t = floor((d-1)/2) borrados y falla cuando se
  pierden >= d - t copias:
      eps_log(d, eta) = sum_{k=ceil(d/2)}^{d} C(d,k) q^k (1-q)^(d-k)

Alcance (importante)
--------------------
Esto NO es QEC cuántico tolerante a fallos: protege un único tipo de error
(borrado anunciado) sobre un qubit codificado en d copias físicas. La
extensión a códigos cuánticos verdaderos (p. ej. binomial) exige puertas de
dos qubits modeladas (PENDIENTE, banco QC-02).

Uso
---
    python3 repetition_code_model.py            # tabla en pantalla
    python3 repetition_code_model.py --csv e1_repetition_code.csv
"""
from __future__ import annotations
import argparse
import csv
import math

EPS_PHYS = 0.0476          # 1 - F_eff por segmento (referencia del sitio)
ETAS = (0.90, 0.95, 0.99)  # valores de eta_det publicados
DISTANCES = (3, 5, 7, 9, 13)


def erasure_prob(eta: float, eps_phys: float = EPS_PHYS) -> float:
    """Probabilidad de borrado por qubit físico: pérdida + fallo de detección."""
    return 1.0 - eta * (1.0 - eps_phys)


def epsilon_logical(d: int, eta: float, eps_phys: float = EPS_PHYS) -> float:
    """Error lógico: mayoría de las d copias borradas (voto por mayoría)."""
    q = erasure_prob(eta, eps_phys)
    k_min = math.ceil(d / 2)
    return sum(
        math.comb(d, k) * q**k * (1.0 - q) ** (d - k)
        for k in range(k_min, d + 1)
    )


def main() -> None:
    ap = argparse.ArgumentParser(description=__doc__)
    ap.add_argument("--csv", metavar="FILE", help="escribir el CSV regenerado")
    args = ap.parse_args()

    print(f"Modelo: q(eta) = 1 - eta*(1 - eps_phys), eps_phys = {EPS_PHYS}")
    print(f"Código: repetición clásica, fallo si >= ceil(d/2) borrados\n")
    hdr = f"{'d':>3} | " + " | ".join(f"eta={e:.2f}" for e in ETAS)
    print(hdr)
    print("-" * len(hdr))
    rows = []
    for d in DISTANCES:
        vals = [epsilon_logical(d, e) for e in ETAS]
        rows.append((d, vals))
        print(f"{d:>3} | " + " | ".join(f"{v:.3e}" for v in vals))

    if args.csv:
        with open(args.csv, "w", newline="", encoding="utf-8") as fh:
            w = csv.writer(fh)
            w.writerow(["distance", "eta_det", "epsilon_logical",
                        "epsilon_physical", "code_type", "platform"])
            for d, vals in rows:
                for eta, v in zip(ETAS, vals):
                    w.writerow([d, f"{eta:.2f}", f"{v:.3e}",
                                f"{EPS_PHYS}", "repetition_majority", "CORNERSTONE"])
        print(f"\nCSV regenerado: {args.csv}")


if __name__ == "__main__":
    main()
