[논문 리뷰] Tensor Network Decoding Beyond 2D

Christophe Piveteau, Christopher T. Chubb외 1명|arXiv (Cornell University)|2023. 10. 16.

Quantum Computing Algorithms and Architecture인용 수 1

한 줄 요약

이 논문은 3D 양자 코드와 회로 수준의 노이즈를 위한 텐서 네트워크 디코딩 프레임워크를 제안한다. 기존의 2D 텐서 네트워크 디코더를 확장하여, 생성자 그림과 감지기 그림을 통해 논리적 오류 확률을 3D 텐서 네트워크로 공식화하고, 적응형 절단과 스네이킹을 사용한 MPS 기반의 수축을 적용함으로써, 3D 서페이스 코드에서 최적에 가까운 디코딩 정확도를 달성한다. 이는 분해 노이즈 하에서 점 오류와 루프 오류에 대해 현재 최고 수준의 디코더를 능가한다.

ABSTRACT

Decoding algorithms based on approximate tensor network contraction have proven tremendously successful in decoding 2D local quantum codes such as surface/toric codes and color codes, effectively achieving optimal decoding accuracy. In this work, we introduce several techniques to generalize tensor network decoding to higher dimensions so that it can be applied to 3D codes as well as 2D codes with noisy syndrome measurements (phenomenological noise or circuit-level noise). The three-dimensional case is significantly more challenging than 2D, as the involved approximate tensor contraction is dramatically less well-behaved than its 2D counterpart. Nonetheless, we numerically demonstrate that the decoding accuracy of our approach outperforms state-of-the-art decoders on the 3D surface code, both in the point and loop sectors, as well as for depolarizing noise. Our techniques could prove useful in near-term experimental demonstrations of quantum error correction, when decoding is to be performed offline and accuracy is of utmost importance. To this end, we show how tensor network decoding can be applied to circuit-level noise and demonstrate that it outperforms the matching decoder on the rotated surface code. Our code is available at https://github.com/ChriPiv/tndecoder3d

연구 동기 및 목표

• 3D 양자 코드와 회로 수준의 노이즈에 대해 정확하고 최적에 가까운 디코더의 부족을 해결함으로써, 근접한 양자 오류 수정 실험에 필수적인 기초를 마련한다.
• 2D에 비해 신뢰할 수 있는 근사 수축이 어려운 3D 텐서 네트워크 수축의 수치적 불안정성과 표준형이 없는 문제를 해결한다.
• 안정자 코드에서 논리적 오류 확률 계산을 위한 이중 표현 방식인 생성자 그림과 감지기 그림을 도입하여, 2D를 초월한 텐서 네트워크 디코딩을 확장한다.
• 반복적인 심플럼 측정과 회로 수준의 노이즈를 포함한 현실적인 노이즈 모델에 텐서 네트워크 디코딩을 적용할 수 있음을 입증한다. 이러한 노이즈는 자연스럽게 3D의 구조를 유도한다.
• 분해 노이즈 하에서 3D 서페이스 코드와 회로 수준의 노이즈 상황에서 최적에 가까운 디코딩 정확도를 달성한다. 이는 이전의 텐서 네트워크 방법이 적용되지 않았던 영역이다.

제안 방법

• 논리적 오류 확률을 두 가지 텐서 네트워크 표현 방식을 사용하여 공식화한다: 생성자 그림(안정자 수정의 합)과 감지기 그림(심플럼과 논리적 연산자에 호환되는 오류 패턴의 합).
• 코드 기하학과 노이즈 상관관계를 반영한 네트워크 구조를 갖춘 3D 텐서 네트워크를 구성하여, 주어진 심플럼에 대한 논리적 오류 확률을 수축으로 산출한다.
• 단순 업데이트 방법을 사용한 적응형 절단과 함께 MPS 기반 수축을 적용하고, 수축 중에 결합 차원의 증가를 관리하기 위해 '스네이킹' 기법을 활용한다.
• 계산 비용을 관리하면서도 정확도를 유지하기 위해 텐서 분할과 결합 차원 감소를 활용한 사전 압축 단계를 구현한다.
• 단순 업데이트에 대해 최대 20, 분할에 대해 최대 14의 최대 결합 차원을 사용하며, 코드 거리 d = 5에서 d = 7까지의 튜닝을 수행한다.
• 회전된 서페이스 코드에서의 반복적 심플럼 측정을 포함한 3D 서페이스 코드와 회로 수준의 노이즈 모델에 모두 프레임워크를 적용한다.

실험 결과

연구 질문

• RQ1 2D에 비해 수렴이 훨씬 불안정한 3D 텐서 네트워크 수축에서, 텐서 네트워크 디코딩을 3D 양자 코드로 일반화할 수 있는가?
• RQ2 3D 텐서 네트워크에서 수치적 안정성과 수축 효율성 측면에서 감지기 그림 표현 방식이 생성자 그림보다 유리한가?
• RQ3 분해 노이즈 하에서 반복적인 심플럼 측정이 존재하는 상황에서도, 텐서 네트워크 디코딩이 3D 서페이스 코드에서 최적에 가까운 정확도를 달성할 수 있는가?
• RQ4 매우 복잡한 3D 텐서 네트워크를 유도하는 회로 수준의 노이즈에 대해 텐서 네트워크 디코딩이 실현 가능한가? 이는 매칭 기반 디코더가 적용되지 않는 영역이다.
• RQ5 제안된 3D 텐서 네트워크 디코더의 성능은 현실적인 노이즈 상황에서 매칭 및 믿음-매칭과 같은 현재 최고 수준의 디코더와 비교해 어떻게 되는가?

주요 결과

• 제안된 3D 텐서 네트워크 디코더는 회로 수준의 노이즈 하에서 회전된 서페이스 코드에서 현재 최고 수준의 매칭 디코더를 능가하며, 현실적인 노이즈 모델의 실현 가능성을 입증한다.
• 3D 서페이스 코드에서 분해 노이즈 하에서 점 오류 및 루프 오류 영역 모두에서 기존 방법보다 높은 디코딩 정확도를 달성한다.
• 감지기 그림 텐서 네트워크는 생성자 그림보다 수치적으로 더 안정적이고, 특히 분해 노이즈 하에서 수축이 더 쉬운 편이다.
• 코드 거리까지 d = 7까지는 높은 정확도를 유지하지만, d = 11에서 3D PEPS 네트워크에 표준형이 없어 수치적 문제가 발생한다.
• 단순 업데이트 방법과 적응형 절단은 수렴 속도가 느린 게이지 고정 절차가 있음에도 불구하고, 테스트된 기법들 중에서 정확도 대 성능 비율이 가장 뛰어나다.
• 이 프레임워크는 일반적이며 모든 안정자 코드에 적용 가능하며, 기하학적으로 구조화된 3D 코드와 복잡한 회로 수준의 노이즈 모델 모두에서 성공적으로 적용된 바 있다.