[论文解读] PyMatching: A fast implementation of the minimum-weight perfect matching decoder

Oscar Higgott|arXiv (Cornell University)|May 27, 2021

Quantum Computing Algorithms and Architecture参考文献 15被引用 3

一句话总结

PyMatching 是一个快速、开源的 Python 软件包，实现了用于量子纠错码的最小权重完美匹配（MWPM）解码器，包括一种新颖的局部匹配变体，该变体将计算复杂度几乎降低为四分之一，同时保持了几乎相同的解码性能。它支持加权边、钩形错误和测量错误，可实现容错量子计算的高效仿真与解码。

ABSTRACT

This paper introduces PyMatching, a fast open-source Python package for decoding quantum error-correcting codes with the minimum-weight perfect matching (MWPM) algorithm. PyMatching includes the standard MWPM decoder as well as a variant, which we call local matching, that restricts each syndrome defect to be matched to another defect within a local neighbourhood. The decoding performance of local matching is almost identical to that of the standard MWPM decoder in practice, while reducing the computational complexity approximately quadratically. We benchmark the performance of PyMatching, showing that local matching is several orders of magnitude faster than implementations of the full MWPM algorithm using NetworkX or Blossom V for problem sizes typically considered in error correction simulations. PyMatching and its dependencies are open-source, and it can be used to decode any quantum code for which syndrome defects come in pairs using a simple Python interface. PyMatching supports the use of weighted edges, hook errors, boundaries and measurement errors, enabling fast decoding and simulation of fault-tolerant quantum computing.

研究动机与目标

• 开发一种高性能、开源的量子纠错码解码器，可随码尺寸高效扩展。
• 在不牺牲解码保真度的前提下，降低最小权重完美匹配（MWPM）解码的计算复杂度。
• 通过高效处理综合征缺陷、加权边、钩形错误和测量错误，支持实用的容错量子计算仿真。
• 为任意具有成对综合征缺陷的量子码提供简单、可扩展的 Python 接口进行解码。
• 在保持与标准 MWPM 算法相近解码性能的同时，显著提升速度，超越现有 MWPM 实现。

提出的方法

• 使用高效的图匹配算法，实现用于量子纠错的标准化最小权重完美匹配（MWPM）解码器。
• 引入一种局部匹配变体，将每个综合征缺陷仅限制在预定义的局部邻域内与其他缺陷匹配。
• 采用基于图的表示方法，其中综合征缺陷为节点，错误边按错误概率或综合征测量结果加权。
• 支持加权边以建模概率性错误通道，并引入钩形结构和边界以提升错误模型的真实性。
• 利用 Python 中优化的数据结构和算法实现高性能，避免依赖较慢的通用匹配外部求解器。
• 通过简单易用的 Python API 实现与量子码仿真工具的集成，用于解码综合征结果。

实验结果

研究问题

• RQ1 局部化 MWPM 解码变体是否能在显著降低计算成本的同时，实现与标准 MWPM 解码器几乎相同的性能？
• RQ2 在速度和准确性方面，PyMatching 与现有 MWPM 实现（如 NetworkX 或 Blossom V）相比表现如何？
• RQ3 局部匹配在各种量子码尺寸和错误模型下，能在多大程度上保持解码保真度？
• RQ4 PyMatching 在容错仿真中，能否高效处理加权边、钩形错误和测量错误等复杂错误特征？
• RQ5 随着码尺寸增大，局部匹配方法相对于完整 MWPM 的可扩展性如何？

主要发现

• 局部匹配变体在实际仿真中实现了与标准 MWPM 解码器几乎相同的解码性能。
• 与完整 MWPM 相比，局部匹配将计算复杂度近似降低为四分之一，从而带来显著的速度提升。
• 对于典型纠错仿真问题规模，PyMatching 的速度比使用 NetworkX 或 Blossom V 的实现高出数个数量级。
• 该软件包支持高级功能，包括加权边、钩形错误、边界和测量错误，可实现真实的容错量子计算仿真。
• PyMatching 提供了简单、可扩展的 Python 接口，可高效解码任意具有成对综合征缺陷的量子码。
• PyMatching 及其依赖项的开源特性，有助于研究的可复现性，并可轻松集成到更广泛的量子仿真与纠错研究工作流中。