[論文レビュー] Neural network decoder for near-term surface-code experiments

Boris Varbanov, Marc Serra-Peralta+2 more|arXiv (Cornell University)|Jul 6, 2023

Neural Networks and Applications被引用数 4

ひとこと要約

本稿では、Y誤りのような相関のある誤りをよりよく扱えるため、最小重み完全マッチング（MWPM）を凌駕する表面コード用の再帰的ニューラルネットワークデコーダを提案する。超伝導トランモングプロセッサからの実験データに適用したところ、MWPMと比較して論理誤り率を約25%低減し、最大尤度性能に近づく一方で、事前の誤りモデルを必要とせず、低遅延でリアルタイムデコーディングを可能にする。

ABSTRACT

Neural-network decoders can achieve a lower logical error rate compared to conventional decoders, like minimum-weight perfect matching, when decoding the surface code. Furthermore, these decoders require no prior information about the physical error rates, making them highly adaptable. In this study, we investigate the performance of such a decoder using both simulated and experimental data obtained from a transmon-qubit processor, focusing on small-distance surface codes. We first show that the neural network typically outperforms the matching decoder due to better handling errors leading to multiple correlated syndrome defects, such as $Y$ errors. When applied to the experimental data of [Google Quantum AI, Nature 614, 676 (2023)], the neural network decoder achieves logical error rates approximately $25\%$ lower than minimum-weight perfect matching, approaching the performance of a maximum-likelihood decoder. To demonstrate the flexibility of this decoder, we incorporate the soft information available in the analog readout of transmon qubits and evaluate the performance of this decoder in simulation using a symmetric Gaussian-noise model. Considering the soft information leads to an approximately $10\%$ lower logical error rate, depending on the probability of a measurement error. The good logical performance, flexibility, and computational efficiency make neural network decoders well-suited for near-term demonstrations of quantum memories.

研究の動機と目的

• 近い将来の表面コード実験において、最小重み完全マッチング（MWPM）のような従来のデコーダよりも優れた論理誤り率性能を実現するニューラルネットワークデコーダの開発を目的とする。
• トランモングキュービットプロセッサからのシミュレーションおよび実験的データ（非理想な誤り特性を含む）を用いて、デコーダの性能を評価することを目的とする。
• 物理的誤り率に関する事前知識が不要な状態で、アナログトランモングキュービット読み出しからのソフト情報を取り込むことで、デコーダの柔軟性を示すこと。
• 実用的なハードウェア制約を考慮した近い将来の量子メモリ実装に適した、リアルタイムかつスケーラブルなデコーディングを達成すること。

提案手法

• デコーダは、表面コードからの時間的シンディーム測定データを処理する2層スタック型長短期記憶（LSTM）ネットワークを用いる。
• バックプロパゲーションを用いたエンドツーエンドの学習と、Adam最適化法およびドロップアウト正則化を用い、過学習を防ぐ。
• 学習データには、コード距離（d=3,5,7）を変化させたシミュレート済みおよび実験的シンディーム系列を含み、一様なノイズモデルと実験的回路レベルノイズモデルの両方を用いる。
• トランモングキュービットのソフト測定結果を、入力特徴量として組み込むことで、ノイズに強い性能を実現する。
• 学習率、バッチサイズ、ドロップアウト率などのハイパーパrameterは、交差検証および早期停止を用いて調整し、一般化性能を最適化する。
• 推論はCPU/GPU上でバッチ推論を用いてリアルタイムで実行され、d=3からd=7のコードに対して1QECラウンドあたり0.7〜1.1秒の低遅延を達成する。

実験結果

リサーチクエスチョン

• RQ1 ニューラルネットワークデコーダは、実験的表面コードデータにおいて、Y誤りのような相関誤りを扱えることから、MWPMよりも低い論理誤り率を達成できるか？
• RQ2 アナログトランモングキュービット読み出しからのソフト情報を取り込むことで、二値シンディームデータと比較して、デコーダの性能がどの程度向上するか？
• RQ3 コード距離の増加に伴うニューラルネットワークデコーダの性能スケーリングはどのようになるか？また、実機器データに対する一般化を高めるためのトレーニング戦略は何か？
• RQ4 物理的誤り率に関する事前知識がなくても、ニューラルデコーダは最大尤度性能に近い性能を達成できるか？

主な発見

• Google Quantum AIの2023年表面コード実験から得た実験データにおいて、ニューラルネットワークデコーダはMWPMと比較して論理誤り率を約25%低減した。
• MWPMが独立したX/Z誤り仮定に基づくため、Y誤りのような相関誤りをうまくモデル化できないのに対し、ニューラルデコーダはそれらをよりよく処理でき、MWPMを上回った。
• アナログトランモングキュービット読み出しからのソフト情報を取り込むことで、論理誤り率は測定誤り確率に応じて約10%低減した。
• 真の物理的誤りモデルにアクセスせずにトレーニングされたにもかかわらず、理論的論理誤り率の下限に近い最大尤度性能に近づいた。
• トレーニングプロセスは安定的で一般化可能であり、早期停止とハイパーパrameterチューニングにより過学習を防ぎ、コード距離にかかわらず一貫した性能を発揮した。
• 実用的なリアルタイム性能を示し、d=3からd=7のコードに対して1QECラウンドあたり0.7〜1.1秒の推論時間で、近い将来の量子メモリ応用に適した性能を達成した。