[論文レビュー] Efficient Decoding of Surface Code Syndromes for Error Correction in Quantum Computing

Debasmita Bhoumik, Pinaki Sen+4 more|arXiv (Cornell University)|Oct 21, 2021

Quantum Computing Algorithms and Architecture被引用数 4

ひとこと要約

本稿では、対称的および非対称的デポラライジングノイズ下で物理的および論理的誤りを補正するため、フィードフォワードニューラルネットワークと畳み込みニューラルネットワークを用いた、表面コード量子エラー訂正のための二段階の機械学習デコーダーを提案する。この手法は、最小重み完全マッチング（MWPM）と比較して、疑似閾値を約10倍、閾値を2倍向上させ、40:60の低データ比でも安定した性能を示す。

ABSTRACT

Errors in surface code have typically been decoded by Minimum Weight Perfect Matching (MWPM) based method. Recently, neural-network-based Machine Learning (ML) techniques have been employed for this purpose. Here we propose a two-level (low and high) ML-based decoding scheme, where the first level corrects errors on physical qubits and the second one corrects any existing logical errors, for different noise models. Our results show that our proposed decoding method achieves $\\sim10 \ imes$ and $\\sim2 \ imes$ higher values of pseudo-threshold and threshold respectively, than for MWPM. We show that usage of more sophisticated ML models with higher training/testing time, do not provide significant improvement in the decoder performance. Finally, data generation for training the ML decoder requires significant overhead hence lower volume of training data is desirable. We have shown that our decoder maintains a good performance with the train-test-ratio as low as $40:60$.

研究の動機と目的

• 表面コードのエラー訂正における最小重み完全マッチング（MWPM）の限界を克服すること。
• 現実的なノイズモデル下で、閾値および疑似閾値性能を向上させる機械学習ベースのデコーダーを開発すること。
• 近い将来の量子デバイスにおける有効なMLベースのデコーディングに必要なトレーニングデータのオーバーヘッドを低減すること。
• モデルの複雑さがデコーディング性能および推論時間に与える影響を評価すること。
• 特に限られたトレーニングデータ下での性能を含め、トレイン・テストデータ比の変動に対するデコーダーのロバスト性を評価すること。

提案手法

• 低レベルデコーダーは物理キュービットの誤りをFFNNまたはCNNで補正し、その後に残存する論理的誤りを検出・補正する高レベルデコーダーを備えた二段階のMLデコーディングアーキテクチャを提案する。
• 対称的および非対称的デポラライジングノイズ下で、距離d = 3, 5, 7の表面コードのシンダム測定値と誤り設定を用いて、低レベルデコーダーをトレーニングする。
• 誤り予測に、3〜4層の全結合層（FFNN）と3〜64フィルタの畳み込み層（CNN）をそれぞれ用いる。
• 二段階の推論プロセスを適用する：まず物理的誤りを予測し、その後に残存シンダムを用いて高レベルネットワークで論理的誤りを検出する。
• 40:60を含むさまざまなトレイン・テスト比での性能評価を通じて、低データ使用量を最適化する。
• 異なるノイズモデルおよびコード距離下で、MWPMとの性能比較を疑似閾値および閾値指標を用いて行う。

実験結果

リサーチクエスチョン

• RQ1 二段階のMLデコーダーは、表面コードのエラー訂正において、MWPMよりも疑似閾値および閾値性能を上回ることができるか？
• RQ2 モデルの複雑さ（例：FFNN対より深いCNN）がデコーディング性能および推論時間に与える影響は何か？
• RQ3 最適なデコーディング精度を達成するために必要な最小トレーニングデータ量は何か、特に低データ環境下でどうなるか？
• RQ4 非対称的デポラライジングノイズ下でのデコーダーの性能は、現在の量子ハードウェアにおいてより現実的であるが、その影響は何か？
• RQ5 物理的誤り確率の上昇に伴い、MLデコーダーの性能は著しく低下するか？また、その影響が予測の分散に与える影響は何か？

主な発見

• 提案されたMLデコーダーは、対称的および非対称的デポラライジングノイズ下で、MWPMと比較して疑似閾値を約10倍、閾値を2倍向上させる。
• より複雑なニューラルネットワークアーキテクチャ（例：より深いCNN）は、単純なモデル（例：FFNNや浅いCNN）よりも顕著な性能向上を示さないが、トレーニングおよび推論時間は増加する。
• トレイン・テスト比が40:60でさえも、高い精度を維持し、最小限のトレーニングデータで優れた一般化性能を示す。
• 物理的誤り確率が上昇するにつれて、性能の分散（標準偏差）が増加し、ノイズレベルの上昇に伴い予測の不確実性が高まることを示す。
• 非対称的ノイズに対してロバストであり、現実の量子ハードウェアに近い環境でも性能の低下を示さない。
• 二段階の設計により、低レベルデコーダーが見逃す可能性のある残存誤りを効果的に補正し、全体の誤り抑制を強化している。