Skip to main content
누빈트
QUICK REVIEW

[논문 리뷰] How to choose a decoder for a fault-tolerant quantum computer? The speed vs accuracy trade-off

Nicolas Delfosse, Andres Paz|arXiv (Cornell University)|2023. 10. 23.
Quantum Computing Algorithms and Architecture인용 수 4
한 줄 요약

이 논문은 복구 가능한 양자 컴퓨터의 최적 디코더를 선택하기 위한 프레임워크를 제안한다. 이 프레임워크는 디코딩 속도와 정확도를 균형 잡고, 시공간 비용을 지표로 사용한다. 디코더 정지 시간을 최적화하는 프rotocol을 도입하여, 데스크톱 기반의 PyMatching가 수천 개의 논리적 T 게이트를 처리할 수 있음을 보여주지만, 10⁵개의 게이트에 이를 경우 디코딩 지연으로 인해 너무 느릴 수 있음을 밝혀내며, 하드웨어 최적화된 디코더의 필요성을 강조한다.

ABSTRACT

Achieving practical quantum advantage requires a classical decoding algorithm to identify and correct faults during computation. This classical decoding algorithm must deliver both accuracy and speed, but in what combination? When is a decoder "fast enough" or "accurate enough"? In the case of surface codes, tens of decoding algorithms have been proposed, with different accuracies and speeds. However, it has been unclear how to choose the best decoder for a given quantum architecture. Should a faster decoder be used at the price of reduced accuracy? Or should a decoder sacrifice accuracy to fit within a given time constraint? If a decoder is too slow, it may be stopped upon reaching a time bound, at the price of some time-out failures and an increased failure rate. What then is the optimal stopping time of the decoder? By analyzing the speed vs. accuracy tradeoff, we propose strategies to select the optimal stopping time for a decoder for different tasks. We design a protocol to select the decoder that minimizes the spacetime cost per logical gate, for logical computation of a given depth. Our protocol enables comparison of different decoders, and the selection of an appropriate decoder for a given fault-tolerant quantum computing architecture. We illustrate our protocol for the surface code equipped with a desktop implementation of the PyMatching decoder. We estimate PyMatching is fast enough to implement thousands of logical gates with a better accuracy than physical qubits. However, we find it is not sufficiently fast to reach 10^5 logical gates, under certain assumptions, due to the decoding delay which forces qubits to idle and accumulate errors while idling. We expect further improvements to PyMatching are possible by running it on a better machine or by reducing the OS interference.

연구 동기 및 목표

  • 복구 가능한 양자 계산 아키텍처에서 디코더를 선택하는 데 있어 열려 있는 질문에 대답하기 위해.
  • 논리적 게이트당 시공간 비용을 최소화하는 데 목적이 있는 체계적인 디코더 선택 방법을 개발하기 위해.
  • 디코딩 지연이 논리적 오류율과 자원 오버헤드에 미치는 영향을 분석하기 위해.
  • 실제 하드웨어 제약 조건 하에서 기존 디코더(예: PyMatching)의 성능을 평가하기 위해.
  • 확장 가능한 양자 우월성을 달성하기 위해 고전적 디코딩 알고리즘과 양자 하드웨어를 공동 설계하기 위한 가이드라인 제공하기 위해.

제안 방법

  • 저자들은 디코딩 지연과 논리적 실패율을 고려한 시공간 비용 지표를 정의한다.
  • 가변적인 정지 시간을 갖는 시간 제한 디코딩 전략을 사용하여 디코더 속도와 정확도 사이의 트레이드오프를 모델링한다.
  • 다양한 논리적 게이트 깊이와 물리적 오류율에서 성능을 시뮬레이션하여 디코더를 비교하는 프로토콜을 구현한다.
  • 1 μs의 심플렉스 추출 시간과 p = 10⁻³의 물리적 오류율을 갖는 서피스 코드에 프레임워크를 적용한다.
  • 실제 디코딩 성능을 추정하고, 운영 체제 간섭과 같은 버팀목을 밝혀내기 위해 데스크톱 기반의 PyMatching을 평가한다.
  • 다양한 논리적 게이트 수에서 선형 시간, 이차 시간, 즉각적 디코더를 수치 시뮬레이션을 통해 비교한다.
Figure 1: State injection circuit for the implementation of a $T$ gate. Assume that we can prepare a $T$ state $|{T}\rangle=\frac{1}{\sqrt{2}}(|{0}\rangle+e^{i\pi/4}|{1}\rangle)$ on the bottom qubit. Then, we can apply a $T$ gate on the top qubit using only Clifford operations. The gate $S$ is appli
Figure 1: State injection circuit for the implementation of a $T$ gate. Assume that we can prepare a $T$ state $|{T}\rangle=\frac{1}{\sqrt{2}}(|{0}\rangle+e^{i\pi/4}|{1}\rangle)$ on the bottom qubit. Then, we can apply a $T$ gate on the top qubit using only Clifford operations. The gate $S$ is appli

실험 결과

연구 질문

  • RQ1복구 가능한 양자 계산에서 시공간 비용을 최소화하기 위해 디코더의 최적 정지 시간은 무엇인가?
  • RQ2디코딩 지연은 서피스 코드 아키텍처에서 논리적 오류율과 자원 비용에 어떻게 영향을 미치는가?
  • RQ3주어진 수의 논리적 T 게이트에 대해 속도와 정확도 사이에서 가장 우수한 트레이드오프를 제공하는 디코더는 무엇인가?
  • RQ4실제 하드웨어 제약 조건 하에서 기존 디코딩 소프트웨어(예: PyMatching)는 대규모 양자 계산에 스케일업 가능한가?
  • RQ5운영 체제 간섭과 계산 아키텍처와 같은 하드웨어 수준의 요소들이 디코더 성능에 어떻게 영향을 미치는가?

주요 결과

  • 데스크톱 기반의 PyMatching는 물리적 큐비트보다 낮은 오류율로 수천 개의 논리적 T 게이트를 디코딩할 수 있어, 중간 규모 계산에 대한 실용적 타당성을 입증한다.
  • 논리적 게이트 수가 10⁵를 초과할 경우, PyMatching의 디코딩 지연이 제한 요소가 되어, 정지 큐비트의 오류 누적으로 인해 논리적 실패율이 증가한다.
  • 작은 게이트 수에서는 선형 시간 디코더의 시공간 비용이 이차 시간 디코더보다 최대 4배 높지만, 대규모 계산에서는 80% 더 저렴해진다.
  • 최적의 디코더는 논리적 T 게이트 수에 따라 비단조화롭게 변하므로, 디코더 선택은 매우 맥락 의존적이다.
  • PyMatching의 런타임 변동성은 운영 체제 간섭에 의해 크게 영향을 받으며, 전용 하드웨어가 성능 안정성 향상에 기여할 수 있음을 시사한다.
  • 향후 FPGA 또는 ASIC를 통한 하드웨어 가속 또는 BP 또는 레이지 디코딩과 같은 사전 디코딩 기법을 통해 디코딩 지연을 줄일 수 있으며, 이는 더 대규모의 복구 가능한 계산을 가능하게 할 수 있다.
Figure 2: (a) Runtime distribution of PyMatching estimated using $10^{9}$ decoding trials for a distance-29 surface code with $d$ rounds of syndrome extraction on a desktop computer with an Intel Xeon CPU E5-2620 v4 @2.1Ghz processor with 64Gb of memory. We use Stim [ 23 ] to sample circuit faults a
Figure 2: (a) Runtime distribution of PyMatching estimated using $10^{9}$ decoding trials for a distance-29 surface code with $d$ rounds of syndrome extraction on a desktop computer with an Intel Xeon CPU E5-2620 v4 @2.1Ghz processor with 64Gb of memory. We use Stim [ 23 ] to sample circuit faults a

더 나은 연구,지금 바로 시작하세요

논문 읽기부터 검토까지, 연구 시간을 획기적으로 줄여보세요.

카드 등록 없음 · 무료 플랜 제공

이 리뷰는 AI가 만들고, 인간 에디터가 검토했습니다.