[论文解读] Tensor Network Decoding Beyond 2D

Christophe Piveteau, Christopher T. Chubb+1 more|arXiv (Cornell University)|Oct 16, 2023

Quantum Computing Algorithms and Architecture被引用 1

一句话总结

本文提出了一种用于3D量子码和电路级噪声的张量网络解码框架，扩展了先前的2D张量网络解码方法。通过将逻辑错误概率以生成器图像和探测器图像的形式表示为3D张量网络，并采用基于MPS的收缩方法结合自适应截断与蛇形收缩策略，该方法在3D表面码上实现了接近最优的解码精度——在去极化噪声下对点错误和环错误的性能优于当前最先进的解码器。

ABSTRACT

Decoding algorithms based on approximate tensor network contraction have proven tremendously successful in decoding 2D local quantum codes such as surface/toric codes and color codes, effectively achieving optimal decoding accuracy. In this work, we introduce several techniques to generalize tensor network decoding to higher dimensions so that it can be applied to 3D codes as well as 2D codes with noisy syndrome measurements (phenomenological noise or circuit-level noise). The three-dimensional case is significantly more challenging than 2D, as the involved approximate tensor contraction is dramatically less well-behaved than its 2D counterpart. Nonetheless, we numerically demonstrate that the decoding accuracy of our approach outperforms state-of-the-art decoders on the 3D surface code, both in the point and loop sectors, as well as for depolarizing noise. Our techniques could prove useful in near-term experimental demonstrations of quantum error correction, when decoding is to be performed offline and accuracy is of utmost importance. To this end, we show how tensor network decoding can be applied to circuit-level noise and demonstrate that it outperforms the matching decoder on the rotated surface code. Our code is available at https://github.com/ChriPiv/tndecoder3d

研究动机与目标

• 解决3D量子码和电路级噪声下缺乏准确且接近最优的解码器的问题，这对近期量子纠错实验至关重要。
• 克服3D张量网络收缩中的数值不稳定性及缺乏规范形式的问题，这些问题使得其近似收缩的可靠性远低于2D情形。
• 将张量网络解码从2D扩展至3D，通过引入双重表示——生成器图像与探测器图像——以计算稳定子码中的逻辑错误概率。
• 证明张量网络解码可应用于实际噪声模型，包括重复的 syndrome 测量和电路级噪声，这些模型自然产生3D结构。
• 在3D表面码和电路级噪声场景下，实现接近最优的解码精度，而此前的张量网络方法在这些场景中无法适用。

提出的方法

• 使用两种张量网络表示形式来表述逻辑错误概率：生成器图像（对稳定子校正的求和）和探测器图像（对与syndrome和逻辑算符相容的错误模式的求和）。
• 构建3D张量网络，其收缩结果即为给定syndrome下发生逻辑错误的概率，网络结构反映码的几何形状和噪声相关性。
• 采用基于MPS的收缩方法，结合自适应截断，使用简易更新法，并引入“蛇形”技术以控制收缩过程中张量的键维数增长。
• 通过张量拆分与键维数降低实现预压缩步骤，以在保持精度的同时控制计算成本。
• 最大键维数分别设置为20（简易更新法）和14（拆分法），并针对码距离d = 5至d = 7进行调优。
• 将该框架应用于3D表面码和电路级噪声模型，包括旋转表面码中的重复syndrome测量。

实验结果

研究问题

• RQ1 张量网络解码能否推广至3D量子码，其中近似收缩的稳定性显著低于2D情形？
• RQ2 在3D张量网络中，探测器图像表示是否在数值稳定性与收缩效率方面优于生成器图像？
• RQ3 在去极化噪声下以及存在噪声syndrome测量时，张量网络解码能否在3D表面码上实现接近最优的精度？
• RQ4 张量网络解码是否适用于电路级噪声，该类噪声会产生复杂3D张量网络结构，而此类结构不适用于基于匹配的解码器？
• RQ5 所提出的3D张量网络解码器在真实噪声场景下的性能，与匹配法和信念匹配法等当前最优解码器相比如何？

主要发现

• 所提出的3D张量网络解码器在电路级噪声下的旋转表面码上优于当前最先进的匹配解码器，证明了其在真实噪声模型下的可行性。
• 在3D表面码中，该解码器在去极化噪声下的点错误与环错误区域，均优于现有方法。
• 探测器图像张量网络在数值上比生成器图像更稳定，且更易于收缩，尤其在去极化噪声下表现更优。
• 该方法在码距离高达d = 7时仍保持高精度，但在d = 11时因缺乏3D PEPS网络的规范形式而出现数值问题。
• 尽管在规范固定过程中的收敛速度较慢，但使用自适应截断的简易更新法在所有测试技术中提供了最佳的精度-速度比。
• 该框架具有通用性，适用于任意稳定子码，已在几何结构化的3D码和复杂的电路级噪声模型中取得成功验证。