[论文解读] PyMatching: A Python package for decoding quantum codes with minimum-weight perfect matching

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

Quantum Computing Algorithms and Architecture被引用 12

一句话总结

PyMatching 是一个用于使用最小权重完美匹配（MWPM）解码量子纠错码的快速、开源的 Python 包，其创新的局部匹配变体将计算复杂度降低了约四次方，同时保持了与精确 MWPM 几乎相同的解码性能。它通过简洁的 Python 接口支持加权边、钩子错误、测量噪声和边界，实现了容错量子计算的高效仿真。

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、通用的量子纠错码解码器，基于最小权重完美匹配（MWPM）。
• 在不牺牲解码性能的前提下，降低 MWPM 解码的计算复杂度。
• 提供一个灵活、开源的 Python 包，支持除表面码或 toric 码等特定码型之外的多种噪声模型和码结构。
• 实现电路级噪声和容错量子计算工作流的高效仿真。
• 提供用户友好的接口，支持加权边、钩子错误、边界和重复的奇偶校验测量。

提出的方法

• 通过基于 C++ 的优化实现标准 MWPM 解码器，使用 Blossom V 算法，并通过 Python 接口暴露。
• 引入“局部匹配”变体，限制每个奇偶校验缺陷仅与局部邻域内的最近邻居匹配。
• 使用 Dijkstra 算法计算匹配图中的最短路径，通过 `num_neighbours` 参数配置邻域大小。
• 通过基于错误概率分配对数似然权重来支持加权边，实现随机噪声建模。
• 允许直接从 NetworkX 图构建匹配图，以建模复杂的错误结构，如钩子错误和边界节点。
• 通过允许奇数奇偶校验的奇偶校验缺陷通过零权重的边界边匹配来实现重复奇偶校验测量和边界节点的仿真。

实验结果

研究问题

• RQ1 局部匹配变体能否在显著降低计算成本的同时，实现与精确 MWPM 几乎相同的解码性能？
• RQ2 与使用 NetworkX 或 Blossom V 的现有 MWPM 实现相比，PyMatching 在速度和内存使用方面的性能如何？
• RQ3 PyMatching 在统一且高效的框架下，能在多大程度上处理复杂的噪声模型，包括加权边、钩子错误和测量错误？
• RQ4 PyMatching 是否可以作为通用工具，用于解码任何适用于 MWPM 的量子码，无论码结构或噪声模型如何？
• RQ5 在局部匹配中，邻域大小的变化对解码性能和计算复杂度有何影响？

主要发现

• PyMatching 中的局部匹配将计算复杂度相比精确 MWPM 降低了约四次方，同时保持了解码性能与完整 MWPM 算法几乎完全一致。
• 对于纠错模拟中常用的大型匹配图，PyMatching 的局部匹配实现比使用 NetworkX 或 Blossom V 的实现快几个数量级。
• 该软件包支持加权边、钩子错误（单条边对应多个量子比特错误）和边界节点，可准确建模电路级噪声和测量错误。
• 通过为边分配错误概率并使用 `add_noise()` 方法生成奇偶校验结果，PyMatching 可以仿真随机噪声模型。
• 通过使用边界节点，可通过对一个边界节点取反来纠正奇数奇偶校验的奇偶校验，从而确保始终存在完美匹配。
• PyMatching 采用 Apache 2.0 许可证发布，开源代码和详尽文档可在 GitHub 和 Read the Docs 上获取。