[논문 리뷰] Efficient Decoding of Surface Code Syndromes for Error Correction in Quantum Computing

Debasmita Bhoumik, Pinaki Sen외 4명|arXiv (Cornell University)|2021. 10. 21.

Quantum Computing Algorithms and Architecture인용 수 4

한 줄 요약

이 논문은 대칭적이고 비대칭적인 소실 노이즈 조건 하에서 물리적 큐비트 오류와 논리적 오류를 수정하기 위해 피드포워드 신경망과 컨볼루션 신경망을 사용하는 표면 코드 양자 오류 수정을 위한 이중 수준 기계학습 디코더를 제안한다. 이 방법은 최소 무게 완벽 매칭(MWPM)보다 약 10배 높은 가짜 임계값과 2배 높은 임계값을 달성하며, 학습 데이터 비율이 낮은 경우(40:60)에도 강건한 성능을 보인다.

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 $40:60$.

연구 동기 및 목표

• 표면 코드 심증을 디코딩하는 데 있어 최소 무게 완벽 매칭(MWPM)의 한계를 해결하기 위해.
• 현실적인 노이즈 모델 하에서 임계값과 가짜 임계값 성능을 향상시키는 기계학습 기반 디코더를 개발하기 위해.
• 근래의 양자 장치에서 효과적인 기계학습 기반 디코딩을 위해 필요한 학습 데이터 오버헤드를 줄이기 위해.
• 모델 복잡도가 디코딩 성능와 추론 시간에 미치는 영향을 평가하기 위해.
• 특히 제한된 학습 데이터에서의 성능에 영향을 주는 다양한 학습-테스트 데이터 비율에 대한 디코더의 강건성 평가하기 위해.

제안 방법

• 저수준 디코더는 피드포워드 신경망(FFNN) 또는 컨볼루션 신경망(CNN)을 사용해 물리적 큐비트 오류를 수정하고, 고수준 디코더는 잔류 논리적 오류를 탐지하고 수정하는 이중 수준 기계학습 디코딩 아키텍처를 제안한다.
• 대칭적이고 비대칭적인 소실 노이즈 조건 하에서 거리 d = 3, 5, 7인 표면 코드의 심증 측정값과 오류 구성에 기반해 저수준 디코더를 학습한다.
• 오류 예측을 위해 각각 3~4개의 밀집층과 3~64개 필터 컨볼루션을 갖는 완전 연결 네트워크(FFNN)와 컨볼루션 신경망(CNN)을 사용한다.
• 두 단계 추론 프로세스를 적용한다: 먼저 물리적 오류를 예측하고, 그 다음 잔류 심증을 이용해 고수준 네트워크로 논리적 오류를 탐지한다.
• 학습-테스트 비율을 다양하게 평가함으로써 낮은 데이터 사용량을 최적화한다. 특히 40:60 비율까지 포함한다.
• 다양한 노이즈 모델과 코드 거리에서 MWPM와의 성능 비교를 위해 가짜 임계값과 임계값 지표를 사용한다.

실험 결과

연구 질문

• RQ1 이중 수준 기계학습 디코더는 표면 코드 오류 수정에서 MWPM보다 가짜 임계값과 임계값 성능을 뛰어나게 할 수 있는가?
• RQ2 모델 복잡도(예: FFNN 대 깊은 CNN)는 디코딩 성능와 추론 시간에 어떤 영향을 미치는가?
• RQ3 최적의 디코딩 정확도를 달성하기 위해 필요한 최소한의 학습 데이터는 얼마인가, 특히 낮은 데이터 환경에서의 경우는?
• RQ4 비대칭적인 소실 노이즈 조건에서 디코더는 어떻게 작동하는가? 이는 현재의 양자 하드웨어에서 더 현실적인 조건이다.
• RQ5 물리적 오류 확률이 증가함에 따라 기계학습 디코더의 성능은 유의미하게 떨어지는가? 이는 예측의 분산에 어떤 영향을 미치는가?

주요 결과

• 제안된 기계학습 디코더는 대칭적이고 비대칭적인 소실 노이즈 조건 하에서 MWPM 대비 약 10배 높은 가짜 임계값과 2배 높은 임계값 성능을 달성한다.
• 더 복잡한 신경망 아키텍처(예: 깊은 CNN)는 더 높은 학습 및 추론 시간을 유발하지만, 단순한 모델(예: FFNN 또는 얕은 CNN)에 비해 성능 향상이 미미하다.
• 학습-테스트 비율이 40:60일 때조차도 높은 정확도를 유지하며, 낮은 학습 데이터로도 강력한 일반화 능력을 보인다.
• 물리적 오류 확률이 높아질수록 성능 분산(표준편차)이 증가하여 노이즈 수준이 높아질수록 예측의 불확실성이 커지는 것으로 나타났다.
• 비대칭 노이즈에 대해 강건성을 보이며, 실제 양자 하드웨어에서 더 현실적인 조건에서도 성능 저하 없이 작동한다.
• 이중 수준 설계는 저수준 디코더가 놓친 잔류 오류를 효과적으로 수정함으로써 논리적 오류율을 감소시키고 전체 오류 억제 성능을 향상시킨다.