[论文解读] Optimal Circuit-Level Decoding for Surface Codes

Bettina Heim, Krysta M. Svore+1 more|arXiv (Cornell University)|Sep 20, 2016

Semiconductor materials and devices被引用 9

一句话总结

本文提出了首个在电路级噪声下针对表面码的数学上最优的最大似然译码器，考虑了单个门的故障率和错误传播。结果表明，最优译码可将错误阈值提高至1.8%（在标准噪声模型下），显著高于最小权重完美匹配（MWPM）预测的1%阈值；并揭示了在相关噪声下，由于MWPM无法匹配多量子比特缺陷组，其性能显著下降。

ABSTRACT

Surface codes exploit topological protection to increase error resilience in quantum computing devices and can in principle be implemented in existing hardware. They are one of the most promising candidates for active error correction, not least due to a polynomial-time decoding algorithm which admits one of the highest predicted error thresholds. We consider the dependence of this threshold on underlying assumptions including different noise models, and analyze the performance of a minimum weight perfect matching (MWPM) decoding compared to a mathematically optimal maximum likelihood (ML) decoding. Our ML algorithm tracks the success probabilities for all possible corrections over time and accounts for individual gate failure probabilities and error propagation due to the syndrome measurement circuit. We present the very first evidence for the true error threshold of an optimal circuit level decoder, allowing us to draw conclusions about what kind of improvements are possible over standard MWPM.

研究动机与目标

• 确定在真实电路级噪声下表面码的真实错误阈值，超越简化的现象学模型。
• 评估在门特定故障概率和错误传播存在的情况下，最小权重完美匹配（MWPM）与数学上最优的最大似然（ML）译码之间的性能差距。
• 识别出对译码性能影响最关键的噪声相关性，并判断现象学模型是否足以实现准确译码。
• 通过精确定位最需捕捉的错误相关性，为未来高效译码算法的开发提供指导。

提出的方法

• 开发了一种最大似然译码器（MLCLN），可随时间追踪所有可能校正的成功概率，整合了单个门的故障率以及通过 syndrome 测量电路的错误传播。
• 使用电路级噪声模型对表面码进行仿真，显式建模了 syndrome 提取电路中的每个门，包括 CNOT 和测量错误。
• 在不同噪声模型下（包括独立的比特翻转和相位翻转通道，以及来自不同 syndrome 测量电路的关联噪声，如 CCC 与 SN）对比了 MLCLN 与标准 MWPM 译码的性能。
• 采用泡利旋转载具将阻尼振幅噪声建模为泡利通道，从而实现对真实门持续时间的仿真。
• 通过逻辑错误率随码距的变化关系以及提取渐近衰减指数来评估译码性能，进而推断阈值行为。
• 对码距最高达六的表面码进行了仿真，分析了电路拓扑结构（如 CCC 与 SN）对错误传播和译码效率的影响。

实验结果

研究问题

• RQ1 当使用最优电路级译码而非近似方法 MWPM 时，表面码的真实错误阈值是多少？
• RQ2 通过考虑门特定故障率和错误传播的最大似然译码器，可实现多大的性能提升？
• RQ3 特别是由非可逆 syndrome 提取电路引发的关联多量子比特错误，在多大程度上限制了 MWPM 的性能？
• RQ4 忽略数据量子比特错误与 syndrome 测量失败之间相关性的现象学噪声模型，是否足以保证译码精度？还是必须完整追踪电路级相关性？
• RQ5 MWPM 在处理大缺陷簇方面的局限性是否可通过最优译码克服？这对未来译码算法设计有何启示？

主要发现

• 在标准噪声模型（Wang et al., 2010b）下，表面码的最优错误阈值为1.8%，显著高于此前使用 MWPM 预测的1%阈值。
• 在独立比特翻转与相位翻转噪声模型下，最优阈值为0.35%，表明即使采用最优译码，也无法完全克服未相关噪声下的高错误率。
• 在相关噪声下，MWPM 性能显著下降，尤其在非最小错误传播电路（如 CCC 电路）中，原因在于其无法匹配大缺陷组。
• 对于使用 SN 电路的六码距表面码，MLCLN 译码器的逻辑错误率衰减指数达到 -3.12，优于 MWPM 的 -2.97，表明在相关噪声下具有明显优势。
• 忽略数据量子比特错误与 syndrome 测量失败之间相关性的现象学译码模型，并未显著影响性能，表明在某些情况下此类近似可能已足够。
• MWPM 的主要挑战并非独立错误，而在于处理相关多量子比特错误，这正是未来改进译码所必须重点捕捉的关键因素。