CoDecoder: decoder quantistici fino a 100 volte più veloci e ancora più accurati

Abstract degli autori

I computer quantistici tolleranti agli errori hanno bisogno di una decodifica degli errori rapida e accurata. Presentiamo CoDecoder, un piccolo frontend neurale che si affianca a un decoder esistente per migliorare l’accuratezza e ridurre il tempo medio di decodifica. Predice l’esito logico di ogni shot, conserva le predizioni di cui è sicuro e inoltra gli shot rimanenti al decoder di riserva, che resta invariato. Una testa di output che tiene conto degli operatori logici assegna punteggi agli operatori logici traslati, combinando le linee logiche equivalenti nei codici di superficie e prendendo decisioni congiunte sui qubit logici nei codici bivariate-bicycle (BB). L’inferenza GPU integrata e l’instradamento efficiente riducono il sovraccarico sostenuto per ogni shot. Nei test registrati con rumore a livello di circuito, la combinazione riduce i fallimenti del 6,4-31,4% rispetto al matching correlato nei codici di superficie di distanza 7-17 e del 22-50% rispetto a full-DEM Relay-BP su due codici BB, con accelerazioni da 2,3 a 124 volte in questi confronti. Con le nostre reimplementazioni del decoder neurale Cascade, la combinazione riduce il tempo di decodifica in tutte e quattro le configurazioni. Una decisione congiunta dei due decoder sugli shot inoltrati mantiene questa velocità e rende la combinazione più accurata di Cascade in tutte e quattro le configurazioni, con il 14-18% di fallimenti in meno sul codice [[72,12,6]]. Sul codice BB [[72,12,6]], una testa convenzionale con output logici indipendenti fallisce da 3,8 a 5,0 volte più spesso della nostra assegnazione congiunta dei punteggi alle classi, a parità di condizioni di addestramento. L’analisi shot per shot mostra come la combinazione migliori l’accuratezza. Sugli shot conservati, il frontend corregge più errori del decoder di riserva di quanti ne introduca, anche quando nel complesso è meno accurato.