[論文レビュー] Data-driven decoding of quantum error correcting codes using graph neural networks

Moritz Lange, Pontus Havström+7 more|arXiv (Cornell University)|Jul 3, 2023

Quantum Computing Algorithms and Architecture被引用数 5

ひとこと要約

本論文は、グラフニューラルネットワーク（GNN）を用いたモデルフリーでデータ駆動型の量子エラー復号手法を提案する。この手法は、シンダム検出データをラベル付きグラフとして扱い、シミュレート済みおよび実験的データから直接論理的エラークラスを予測する。エラーモデルやノイズパラメータの事前知識がなくても、スレートコードおよび再結合コードにおいて、最小重み完全マッチングと同等の復号精度を達成する。

ABSTRACT

To leverage the full potential of quantum error-correcting stabilizer codes it is crucial to have an efficient and accurate decoder. Accurate, maximum likelihood, decoders are computationally very expensive whereas decoders based on more efficient algorithms give sub-optimal performance. In addition, the accuracy will depend on the quality of models and estimates of error rates for idling qubits, gates, measurements, and resets, and will typically assume symmetric error channels. In this work, instead, we explore a model-free, data-driven, approach to decoding, using a graph neural network (GNN). The decoding problem is formulated as a graph classification task in which a set of stabilizer measurements is mapped to an annotated detector graph for which the neural network predicts the most likely logical error class. We show that the GNN-based decoder can outperform a matching decoder for circuit level noise on the surface code given only simulated experimental data, even if the matching decoder is given full information of the underlying error model. Although training is computationally demanding, inference is fast and scales approximately linearly with the space-time volume of the code. We also find that we can use large, but more limited, datasets of real experimental data [Google Quantum AI, Nature {\bf 614}, 676 (2023)] for the repetition code, giving decoding accuracies that are on par with minimum weight perfect matching. The results show that a purely data-driven approach to decoding may be a viable future option for practical quantum error correction, which is competitive in terms of speed, accuracy, and versatility.

研究の動機と目的

• エラーの明示的モデルやノイズの対称性に関する仮定に依存しない、量子エラー訂正符号の復号器を開発すること。
• グラフニューラルネットワークが、シミュレート済みおよび実験的データから直接効果的な復号戦略を学習できるかどうかを調査すること。
• 回路レベルのノイズ下で、最小重み完全マッチングなどの既存の復号器と比較して、GNNベースの復号器の性能を評価すること。
• 計算コストの高い最大尤度復号器と比較して、GNNアプローチのスケーラビリティおよび推論効率を評価すること。
• 実用的な量子エラー訂正において、限られた実験的データを用いても、強固で汎用性のある復号器を訓練可能かどうかを検討すること。

提案手法

• 復号問題をグラフ分類タスクとして定式化し、検出器イベント（シンダムの変化）を、論理的エラーを示すラベルを持つ時空グラフ内のノードとして表現する。
• 7層のグラフ畳み込み層（ReLU活性化関数を伴う）を用いて検出器グラフを処理し、ノード特徴量のグローバル平均プーリングを行う。
• プールドされた特徴量を、論理的ビット反転エラーと位相反転エラーの確率を予測する2つの同一の全結合ヘッドに渡し、シグモイド出力を用いる。
• スレートコードに対しては大規模なシミュレーションデータを、再結合コードに対してはGoogle Quantum AIの2023年実験から得た実験データを用いてGNNを訓練する。
• エッジのプルーニングにより最大グラフ次数を制限し、安定器測定数に比例して計算量が線形に増加するようにする。
• バッチ化された確率的勾配降下法を用い、学習率スケジューリングとデータ置換により過学習を防ぐ。

実験結果

リサーチクエスチョン

• RQ1 エラーの背後にあるモデルやノイズパラメータが不明な状態でも、GNNベースの復号器が最小重み完全マッチングと同等の復号精度を達成できるか？
• RQ2 シミュレートされた回路レベルのノイズデータのみで訓練された場合、データ駆動型GNN復号器は従来の復号器と比べてどの程度優れているか？
• RQ3 GNN復号器はどれほど実験的データに一般化できるか？また、限られた実データセットでの性能はいかがなものか？
• RQ4 GNN復号器はコードサイズに比例して線形にスケーリングされ、量子コンputationにおけるリアルタイム応用に適しているか？
• RQ5 エラーモデルが未知または非対称であっても、GNNは効果的な復号戦略を学習できるか？

主な発見

• エラーモデルの完全な知識があるにもかかわらず、最小重み完全マッチングより優れた性能を示した。
• 再結合コードでは、Google Quantum AI（2023年）の限られた実験的データで訓練したGNN復号器が、最小重み完全マッチングと同等の復号精度を達成した。
• GNNによる推論は、コードの時空ボリュームにほぼ線形にスケーリングされ、高速でリアルタイムの復号が可能である。
• モデルフリーなアプローチにより、エラーの対称性や正確なエラーレート推定に関する仮定が不要となり、実用性が向上した。
• 訓練は計算的に高コストではあるが、距離5のスレートコードにおいて100エポックでA100 GPUで約10時間で実行可能である。
• 異なるエラー率やコード距離においても良好な一般化性能を示し、強健性と転移性を確認した。