The Signal
Il decoder neurale Triage registra accelerazioni da 28× a 343× nel benchmark qLDPC
Un decoder neurale chiamato Triage riduce i tempi di decodifica riportati per due codici quantistici LDPC ad alto tasso nelle simulazioni. Il preprint del 29 ottobre riporta accelerazioni di 28× e 343×, ma confronta l’elaborazione in batch
Quantum.world Team · Scritto con l’IA · verificato ·
«Il funzionamento in tempo reale richiede anche di misurare la latenza del singolo shot, la sua distribuzione e la capacità di elaborazione sostenuta rispetto ai requisiti temporali dell’hardware.»
Hong-Ye Hu, Zhenlai Wang, Binzhao Luo, Tao Xiang e Chen Zhao, autori dello studio
L’avvertenza arriva da un nuovo studio su un decoder, pubblicato su arXiv il 29 ottobre. Il metodo neurale «Triage» degli autori riporta tempi di decodifica sostanzialmente inferiori a quelli di alcuni algoritmi convenzionali selezionati su due codici quantistici a controllo di parità a bassa densità (qLDPC) ad alto tasso. Le accelerazioni messe in evidenza derivano però da un benchmark che confronta GPU e CPU sulla base di tempi ammortizzati, non da una dimostrazione di feedback in tempo reale su un computer quantistico.
Triage dedica più lavoro alle sindromi difficili
I decoder per la correzione degli errori quantistici deducono i probabili errori fisici dalle misurazioni delle sindromi: controlli che rivelano se lo stato misurato ha violato i vincoli di parità del codice. Triage parte da NeuralMP, una rete neurale a scambio di messaggi che propone correzioni lungo il grafo sparso del codice. Verifica poi se ogni correzione proposta risolve la sindrome.
Gli shot risolti dalla rete vengono restituiti dalle fasi iniziali o iterative; i casi irrisolti ricevono ulteriori tentativi. La successiva fase di «diversificazione» modifica le condizioni di inferenza con tecniche che includono l’inversione delle sindromi e la perturbazione delle probabilità a priori degli errori, per poi verificare le correzioni candidate rispetto alla sindrome originale. Nel test su Kasai, con un tasso di errore fisico dell’1,5%, la ricerca ha risolto il 99,6% degli shot rimasti irrisolti dopo l’iterazione, riducendo la frazione irrisolta da 2,6 × 10-4 a 1,0 × 10-6 per shot.
Due codici, centinaia di qubit codificati
Il team ha testato un codice lifted-product con 1.122 qubit di dati e 148 qubit logici, e un codice Kasai con 1.152 qubit di dati e 580 qubit logici. Per quest’ultimo è riportato un tasso di codifica del 50,3%. Entrambi i test hanno usato modelli fenomenologici di rumore anziché un modello completo degli errori in un circuito hardware; le simulazioni includevano misurazioni ripetute affette da rumore e si concludevano con un’estrazione perfetta della sindrome.
Con un tasso di errore fisico dell’1,5%, il tasso di errore logico stimato per qubit per ciclo era di 9,33 × 10-11 per il codice lifted-product e di 5,08 × 10-10 per Kasai. Gli autori riferiscono che l’accuratezza di Triage era paragonabile o superiore a quella dei decoder algoritmici testati. I modelli neurali sono stati addestrati a un unico tasso di errore fisico del 2% e valutati anche ad altri tassi.
Il confronto della velocità cambia hardware
Per il codice lifted-product, lo studio riporta 2,37 millisecondi per shot per Triage, rispetto a 815 millisecondi per BP-OSD, un decoder basato sulla propagazione delle credenze abbinato a un’elaborazione con statistiche ordinate. Per Kasai, i 12,3 millisecondi per shot riportati per Triage si confrontano con i 349 millisecondi del decoder algoritmico Tiered. Gli autori calcolano accelerazioni rispettivamente di circa 343× e 28×.
Questi valori rappresentano una media dell’elaborazione su batch di 64 shot. Triage è stato eseguito su una singola GPU NVIDIA H-series; i termini di riferimento basati su BP sono stati eseguiti su una CPU, con la propagazione delle credenze su un solo thread e la fase del risolutore esatto del decoder Tiered su otto thread. Le misurazioni confrontano quindi implementazioni complete in condizioni diverse di hardware e parallelismo, anziché isolare il vantaggio di velocità algoritmica del metodo neurale.
Le prestazioni in tempo reale restano da verificare
Gli autori individuano essi stessi la prossima verifica: la latenza del singolo shot e la sua distribuzione, la capacità di elaborazione sostenuta e le prestazioni rispetto ai requisiti temporali di un processore quantistico. Chiedono anche una valutazione su carichi di lavoro a livello di circuito e su dati sperimentali, oltre a un lavoro sull’ottimizzazione per GPU e sul possibile impiego su FPGA. Finché queste misurazioni non saranno disponibili, i valori riportati descrivono i costi di elaborazione in batch nelle simulazioni, non dimostrano che Triage possa tenere il passo di un ciclo di correzione degli errori in tempo reale.
Il codice dello studio è disponibile su richiesta presso l’autore corrispondente e la sua pagina su arXiv indica che le informazioni supplementari complete sono attese in un aggiornamento successivo. Per ora, il risultato concreto è un decoder neurale valutato con un benchmark su due codici qLDPC simulati, con la maggiore accelerazione riportata nel confronto, 343×, misurata rispetto a BP-OSD su una CPU.