Un decoder a rete neurale a grafo indipendente dal codice basato sul modello degli errori di rilevamento

Abstract degli autori

Presentiamo POLYMECHANON, un decoder basato su una rete neurale a grafo (GNN) per la correzione degli errori quantistici, il cui unico input è il modello degli errori di rilevamento (DEM) di un codice quantistico sottoposto a un determinato modello di rumore. Rappresentiamo il DEM come un grafo tripartito di rivelatori, meccanismi di errore e osservabili logici, in cui ogni caratteristica di input è calcolata usando il codice quantistico come dato, anziché come scelta progettuale. In questo modo, la stessa architettura può decodificare, in linea di principio, qualsiasi codice stabilizzatore, con qualsiasi modello di rumore esprimibile come modello degli errori di rilevamento, una volta addestrata sul DEM. Mettiamo alla prova questo approccio in quattro direzioni. Primo, sul codice di superficie ruotato il decoder supera il MWPM correlato sia con rumore fenomenologico sia con rumore a livello di circuito, con fino al $25\%$ di fallimenti logici in meno. Secondo, su una famiglia di codici qLDPC ad alto tasso, eguaglia BP+OSD sui codici più piccoli e lo supera su quelli più grandi, con fino al $16\%$ di fallimenti logici in meno su $[\![130,4,6]\!]$. Terzo, il suo tempo di decodifica non dipende dal tasso di errore fisico, mentre quello di BP+OSD aumenta con esso: su $[\![130,4,6]\!]$, il suo costo effettivo per shot è dell’ordine di pochi ms su una singola GPU, contro alcune decine di millisecondi per BP+OSD su un singolo core di CPU; il suo grafo computazionale fisso lo rende inoltre un candidato per la decodifica in tempo reale su processori ad atomi neutri. Infine, un singolo modello addestrato su codici di famiglie diverse supera il MWPM non correlato sui codici di tipo grafo incontrati durante l’addestramento e rimane entro il $10\%$ da BP+OSD sugli altri, ma tende a non generalizzare a codici mai visti, in particolare a quelli più grandi. Il suo output probabilistico permette una post-selezione basata sulla confidenza, riducendo il tasso di errore logico di oltre un ordine di grandezza sul codice di superficie, mantenendo oltre il $90\%$ degli shot. Poiché cambia solo il DEM, è possibile decodificare nuovi codici e modelli di rumore senza riprogettare il decoder.