The Signal
Il decoder Mamba riduce la complessità della QEC a O(d²) nelle simulazioni in tempo reale
Changwon Lee, Tak Hur e Daniel K. Park presentano un decoder per la correzione degli errori quantistici basato su Mamba, con una complessità computazionale di O(d²), rispetto a O(d⁴) per il decoder Transformer da loro studiato. Nei test sui
Quantum.world Team · Scritto con l’IA · verificato ·
Un decoder per la correzione degli errori quantistici basato su Mamba ha raggiunto una soglia di errore effettiva di 0,0104 nelle simulazioni in tempo reale degli autori, rispetto a 0,0097 per un decoder Transformer. Lo studio, pubblicato online il 28 ottobre su npj Quantum Information, attribuisce la differenza alla velocità di decodifica: la complessità computazionale del modello Mamba cresce come O(d²) con la distanza del codice, contro O(d⁴) per l’architettura Transformer testata.
Changwon Lee, Tak Hur e Daniel K. Park hanno anche testato il modello Mamba sui dati di esperimenti di memoria condotti con il processore Sycamore di Google. Riferiscono di aver eguagliato le prestazioni del Transformer su quel dataset, ma il vantaggio in tempo reale emerge da simulazioni che aggiungono rumore per rappresentare gli errori che si accumulano mentre un decoder elabora i dati. L’articolo non dimostra il funzionamento del decoder nel ciclo di controllo di un processore quantistico operativo.
I dati di Sycamore mettono alla prova la decodifica della memoria
Il dataset hardware proviene da un processore superconduttivo a 72 qubit con quattro blocchi di codice di superficie a distanza 3 e uno a distanza 5. Gli esperimenti hanno misurato memorie nelle basi X e Z su un massimo di 25 cicli di correzione degli errori. Gli autori hanno addestrato il modello su metà del dataset Sycamore e lo hanno valutato sull’altra metà.
Sui dati tenuti da parte, l’errore logico per ciclo del decoder Mamba era di circa 2,98 × 10−2 a distanza 3 e di 3,03 × 10−2 a distanza 5: secondo l’articolo, risultati equivalenti a quelli del decoder basato su Transformer. Il decoder a rete tensoriale ha ottenuto risultati migliori a distanza 5. Lee, Hur e Park attribuiscono il divario in parte ai dati di addestramento: il loro decoder ha utilizzato fino a 100 milioni di campioni sintetici, mentre AlphaQubit era stato preaddestrato su un massimo di un miliardo.
«il nostro decoder Mamba eguaglia le prestazioni della sua controparte basata su Transformer»
Changwon Lee, Tak Hur e Daniel K. Park, «Scalable neural decoders for practical real-time quantum error correction»
La latenza modifica il tasso di errore simulato
Per il confronto in tempo reale, i ricercatori hanno simulato codici di superficie alle distanze 3, 5 e 7 usando il modello di rumore SI1000 per circuiti superconduttivi. Hanno introdotto ulteriore rumore depolarizzante dopo ogni blocco di cicli di correzione, usandolo per rappresentare gli errori che si accumulano nel tempo necessario alla decodifica. In questo modello, il minor costo computazionale stimato di Mamba ha prodotto una penalizzazione dovuta alla latenza inferiore a quella del Transformer.
Il confronto delle soglie ha una portata più ristretta rispetto al test a distanza 7: i valori riportati di 0,0104 e 0,0097 derivano dal punto di incrocio dei tassi di errore logico tra le distanze 3 e 5. Sono soglie effettive nella simulazione dello studio, non limiti operativi misurati per Sycamore o per un altro processore. Per calibrare il modello di rumore aggiuntivo, l’articolo utilizza un tempo di decodifica riportato per AlphaQubit di circa 40 microsecondi a distanza 9 e assume per il Transformer, a quella distanza, un’intensità di errore indotto pari a 25p.
Un risultato sulla complessità, non una dimostrazione di un decoder in funzione
Gli autori hanno confrontato il tempo effettivo di inferenza dei blocchi Mamba e di attenzione multi-head su una GPU RTX 4090 locale, all’aumentare della distanza del codice. La principale differenza di complessità deriva dalla struttura del decoder: i dati di sindrome del codice di superficie crescono con d², mentre il meccanismo di attenzione del Transformer confronta gli input a coppie; Mamba aggiorna invece uno stato mentre elabora la sequenza. L’articolo presenta questa complessità come una via per ridurre il costo della decodifica, non come una garanzia misurata di latenza end-to-end per un sistema operativo.
La distinzione è importante perché un decoder utilizzabile nella pratica deve tenere il passo con il ciclo di correzione del processore, non limitarsi a superare un altro modello in una simulazione. Il test su Sycamore riportato nello studio dimostra prestazioni comparabili nella decodifica della memoria su dati hardware reali; il risultato sensibile alla latenza dipende invece dal rumore indotto dal decoder riprodotto nel modello. La prossima verifica concreta è stabilire se un’implementazione possa sostenere i tempi di ciclo richiesti su hardware di controllo reale, preservando al contempo l’accuratezza riportata qui.