[论文解读] Efficient Decoding of Surface Code Syndromes for Error Correction in Quantum Computing

Debasmita Bhoumik, Pinaki Sen+4 more|arXiv (Cornell University)|Oct 21, 2021

Quantum Computing Algorithms and Architecture被引用 4

一句话总结

本文提出一种用于表面码量子误差纠正的两级机器学习解码器，采用前馈神经网络与卷积神经网络，分别在对称与非对称的退相干噪声下纠正物理与逻辑错误。该方法在伪阈值上较最小权重完美匹配（MWPM）提升约10倍，在阈值上提升约2倍，且在低训练数据比例（40:60）下仍保持稳健性能。

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 $40:60$.

研究动机与目标

• 解决最小权重完美匹配（MWPM）在表面码校验子解码中用于量子误差纠正的局限性。
• 开发一种基于机器学习的解码器，以在真实噪声模型下提升阈值与伪阈值性能。
• 降低近未来量子设备中有效基于机器学习的解码所需训练数据的开销。
• 评估模型复杂度对解码性能与推理时间的影响。
• 评估解码器在不同训练-测试数据比例下的鲁棒性，尤其在训练数据有限的情况下。

提出的方法

• 提出一种两级机器学习解码架构：低层解码器使用前馈神经网络（FFNN）或卷积神经网络（CNN）纠正物理量子比特错误，随后由高层解码器检测并纠正残留的逻辑错误。
• 在对称与非对称退相干噪声下，针对距离 d = 3、5 和 7 的表面码，基于校验子测量与错误配置训练低层解码器。
• 采用全连接网络（FFNN）与卷积神经网络（CNN），分别使用3–4层密集层与3–64个滤波器的卷积层，用于错误预测。
• 采用两阶段推理流程：首先预测物理错误，然后利用残差校验子通过高层网络检测逻辑错误。
• 通过评估不同训练-测试比例（包括低至40:60）下的性能，优化低数据使用场景。
• 在不同噪声模型与码距离下，通过伪阈值与阈值指标，将解码器性能与MWPM进行对比。

实验结果

研究问题

• RQ1 两级机器学习解码器在表面码误差纠正中，是否能在伪阈值与阈值上优于MWPM？
• RQ2 模型复杂度（如FFNN与更深的CNN）如何影响解码性能与推理时间？
• RQ3 达到最优解码准确率所需的最小训练数据量是多少，尤其在低数据场景下？
• RQ4 在更贴近当前量子硬件实际的非对称退相干噪声下，解码器性能如何？
• RQ5 随着物理错误概率增加，机器学习解码器性能是否显著下降，其预测方差如何变化？

主要发现

• 所提出的机器学习解码器在对称与非对称退相干噪声下，伪阈值较MWPM提升约10倍，阈值提升约2倍。
• 尽管训练与推理时间更长，更复杂的神经网络架构（如更深的CNN）在性能上并未显著优于更简单的模型（如FFNN或浅层CNN）。
• 即使在训练-测试比例低至40:60时，解码器仍保持高准确率，表明其在极低数据量下具备强大泛化能力。
• 随着物理错误概率升高，性能方差（标准差）增大，表明噪声水平升高时预测的不确定性增强。
• 解码器对非对称噪声表现出鲁棒性，更贴近真实世界量子硬件，且性能未出现下降。
• 两级设计通过纠正低层解码器遗漏的残余错误，有效降低逻辑错误率，显著提升整体误差抑制能力。