[论文解读] Neural network decoder for near-term surface-code experiments

Boris Varbanov, Marc Serra-Peralta+2 more|arXiv (Cornell University)|Jul 6, 2023

Neural Networks and Applications被引用 4

一句话总结

该论文提出了一种用于表面码的循环神经网络解码器，其在处理如Y错误等相关的错误时，表现优于最小权重完美匹配（MWPM）方法。将该方法应用于超导transmon处理器的实验数据后，神经解码器将逻辑错误率降低了约25%，接近最大似然性能，且无需事先了解错误模型，同时实现了低延迟的实时解码。

ABSTRACT

Neural-network decoders can achieve a lower logical error rate compared to conventional decoders, like minimum-weight perfect matching, when decoding the surface code. Furthermore, these decoders require no prior information about the physical error rates, making them highly adaptable. In this study, we investigate the performance of such a decoder using both simulated and experimental data obtained from a transmon-qubit processor, focusing on small-distance surface codes. We first show that the neural network typically outperforms the matching decoder due to better handling errors leading to multiple correlated syndrome defects, such as $Y$ errors. When applied to the experimental data of [Google Quantum AI, Nature 614, 676 (2023)], the neural network decoder achieves logical error rates approximately $25\%$ lower than minimum-weight perfect matching, approaching the performance of a maximum-likelihood decoder. To demonstrate the flexibility of this decoder, we incorporate the soft information available in the analog readout of transmon qubits and evaluate the performance of this decoder in simulation using a symmetric Gaussian-noise model. Considering the soft information leads to an approximately $10\%$ lower logical error rate, depending on the probability of a measurement error. The good logical performance, flexibility, and computational efficiency make neural network decoders well-suited for near-term demonstrations of quantum memories.

研究动机与目标

• 开发一种神经网络解码器，以在近期表面码实验中，相较于传统解码器（如最小权重完美匹配，MWPM）提升逻辑错误率性能。
• 在来自transmon量子比特处理器的模拟数据和真实实验数据上评估解码器性能，包括非理想错误特性。
• 通过整合来自模拟transmon量子比特读出的软信息，展示解码器的适应性，且无需事先了解物理错误率。
• 实现实时、可扩展的解码，适用于在实际硬件约束下进行近期量子存储演示。

提出的方法

• 解码器使用两层堆叠的长短期记忆（LSTM）网络，处理来自表面码的时间序列奇偶校验测量数据。
• 网络通过反向传播算法进行端到端训练，使用Adam优化器和Dropout正则化以防止过拟合。
• 训练数据包含不同码距（d=3,5,7）的模拟和实验奇偶校验序列，采用均匀噪声模型和实验电路级噪声模型。
• 通过将模拟读出值作为输入特征，解码器利用来自transmon量子比特的软测量结果，提升对噪声的鲁棒性。
• 通过交叉验证和早停法对学习率、批量大小和Dropout率等超参数进行调优，以优化泛化能力。
• 推理在CPU/GPU上通过批处理实现，延迟极低，d=3至d=7码的每轮QEC解码仅需0.7至1.1秒，实现真正的实时处理。

实验结果

研究问题

• RQ1 神经网络解码器在实验表面码数据上能否实现低于MWPM的逻辑错误率，特别是在处理如Y错误等相关错误时？
• RQ2 与二值奇偶校验数据相比，整合来自模拟transmon量子比特读出的软信息在多大程度上提升了解码器性能？
• RQ3 神经网络解码器的性能如何随码距增加而变化？哪些训练策略能提升其在真实硬件数据上的泛化能力？
• RQ4 神经解码器能否在无需事先了解物理错误率的情况下，实现接近最大似然性能？

主要发现

• 在Google Quantum AI 2023年表面码实验的实验数据上，神经网络解码器的逻辑错误率比MWPM低约25%。
• 神经解码器通过更好地处理Y错误等相关错误，优于MWPM，而MWPM对Y错误的建模效果较差，因其依赖于X/Z错误独立的假设。
• 整合来自模拟transmon读出的软信息，使逻辑错误率降低约10%，具体取决于测量错误概率。
• 尽管训练过程中未使用真实的物理错误模型，该解码器仍实现了接近最大似然性能，逼近逻辑错误率的理论下限。
• 训练过程稳定且具备良好的泛化能力，通过早停法和超参数调优有效防止了过拟合，并在不同码距下保持一致的性能表现。
• 解码器展现出实用的实时性能，d=3至d=7码的每轮QEC解码仅需0.7至1.1秒，适用于近期量子存储应用。