[論文レビュー] Decoder Performance in Hybrid CV-Discrete Surface-Code Threshold Estimation Using LiDMaS+

Dennis Delali Kwesi Wayo, Chinonso Onah+3 more|arXiv (Cornell University)|Mar 6, 2026

Quantum Computing Algorithms and Architecture被引用数 0

ひとこと要約

論文は、デコーダーの選択がPauliおよびハイブリッドCV離散ノイズ下の表面コードの閾値推定にどのように影響するかを分析し、LiDMaS+を用いてMatched Run、Seed、GridでMWPM、Union-Find、および神経 guiding MWPMを比較します。

ABSTRACT

Threshold estimation is central to fault-tolerant quantum computing, but the reported threshold depends not only on the code and noise model, but also on the decoder used to interpret syndrome data. We study this dependence for surface-code threshold estimation under both a standard Pauli noise model and a hybrid continuous-variable/discrete model motivated by GKP-style digitization. Using LiDMaS+ as a common experimental platform, we compare minimum-weight perfect matching (MWPM) and Union-Find under matched sweep grids, matched distances, and deterministic seeding, and we additionally evaluate trained neural-guided MWPM in the hybrid regime. In the Pauli baseline at distance $d=5$, MWPM consistently outperforms Union-Find, reducing the mean sampled logical error rate from $0.384$ to $0.260$, and producing a stable threshold summary with crossing median $p_c \approx 0.053$. In the hybrid fixed-distance run, Union-Find is substantially worse than MWPM (mean LER $0.1657$ versus $0.1195$), while trained neural-guided MWPM tracks MWPM closely (mean LER $0.1158$). Across hybrid multi-distance sweeps, the distance-dependent reversal in logical-error ordering remains visible, but the grid-based crossing estimator still returns boundary-valued $σ_c=0.05$ for all decoders. Neural-guided runs also show elevated decoder-failure diagnostics at high noise ($\max$ decoder-failure rate $0.1335$ at $d=7,σ=0.60$), indicating that learned guidance quality and decoder robustness must be reported alongside threshold curves. These results show that decoder choice and estimator design both materially affect threshold inference.

研究の動機と目的

• デコーダーの選択が、異なるノイズモデル（PauliおよびハイブリッドCV-離散）下の表面コードの閾値推定にどのように影響するかを評価する。
• コード距離（d = 3、5、7）間でデコーダーのランキングが安定かどうかを評価する。
• 固定シード、グリッド、出力を用いた再現可能なLiDMaS+プロトコルを提供し、デコーダーの影響を孤立させる。

提案手法

• LiDMaS+を用いて、2つのノイズモデル（PauliベースラインとハイブリッドCV-離散）下でシンドロームデータを生成する。
• 3つのデコーダーMWPM、Union-Find、神経-guided MWPMを、 matched sweep gridと距離で比較する。
• Pauliデータに対して、信頼区間を伴う論理誤り率を各点で計算し、閾値関連の要約（交点、崩壊フィット）を導出する。
• LEARとしての学習指針の頑健性を評価するため、デコーダー故障診断をLERとともに提供する。
• 固定距離および複数距離のスイープを実行し、距離依存の順序と閾値挙動を観察する。

Figure 1: Closed-loop LiDMaS+ methodology used in this study. The run branches by noise mode and decoder, recombines for LER estimation and threshold analysis, and then evaluates optimization status. If settings are not optimized, the process loops back to reconfigure and rerun under the same reprod

実験結果

リサーチクエスチョン

• RQ1 ノイズが連続変量ガウスの変位を離散故障へディジタイズした場合、デコーダー選択は閾値挙動を実質的に変えるか。
• RQ2 Pauliとハイブリッドの両方の領域で、コード距離（d = 3、5、7）間でデコーダーランキングは安定か。
• RQ3 有限モンテカルロスイープにおけるデコーダーと推定量の組み合わせに対して、閾値要約はどれほど敏感か。
• RQ4 ニューラル指向が高ノイズ時の頑健性を損なうことなく性能利点を維持するか。

主な発見

• PauliベースラインではMWPMがUnion-Findより優れており、LERが低く、閾値要約がより安定している（p_c ≈ 0.053）。
• ハイブリッド設定で固定距離の場合、MWPMと神経-guided MWPMがUnion-Findより優れており、平均LERは0.1195（MWPM）、0.1657（UF）、0.1158（神経）であった。
• ハイブリッドの複数距離スイープ全体で、LER順序の距離依存の反転が現れる一方、閾値推定はすべてのデコーダーで境界値（σ_c = 0.05）を維持。
• 神経-guided MWPMはLERでMWPMを追随するが、ノイズが高いときにデコーダー故障診断が高くなる（d=7、σ=0.60で最大故障率0.1335）。
• デコーダーの選択は閾値推定と推定量設計に実質的な影響を与え；ハイブリッド閾値の主張にはデコーダー診断とより細かなスイープ解像度が必要。

(a) Pauli baseline at $d=5$ .