Decodifica neurale con triage rapida e accurata di codici quantistici LDPC a tasso ultra-elevato

Abstract degli autori

La correzione quantistica degli errori è essenziale per la computazione quantistica tollerante ai guasti. I codici quantistici a controllo di parità a bassa densità (qLDPC) ad alto tasso si sono affermati come un approccio promettente per ridurre il notevole overhead di qubit fisici richiesto dalla correzione quantistica degli errori, consentendo tassi di codifica superiori a $1/2$ in blocchi di circa mille qubit fisici di dati. Tuttavia, la loro implementazione pratica richiede decodificatori che uniscano un’elevata accuratezza a una bassa latenza, per tenere il passo con l’hardware quantistico. I decodificatori esistenti per i codici qLDPC ad alto tasso possono raggiungere un’elevata accuratezza, ma spesso comportano una latenza computazionale considerevole, mentre i decodificatori basati su reti neurali non sono ancora stati dimostrati per i codici qLDPC ad alto tasso. Qui presentiamo la \emph{decodifica neurale con triage}, un framework che usa la consistenza della sindrome per allocare in modo adattivo il calcolo neurale. Una rete neurale locale di passaggio di messaggi prevede rapidamente le correzioni degli errori; ulteriori iterazioni riducono le violazioni residue della sindrome e una fase di diversificazione, attivata di rado, cerca correzioni consistenti per gli shot rimanenti. Dimostriamo che il decodificatore \texttt{Triage} è in grado di decodificare codici qLDPC a tasso ultra-elevato che codificano alcune centinaia di qubit logici, inclusi i codici lifted-product e Kasai, raggiungendo un’accuratezza allo stato dell’arte, paragonabile a quella dei decodificatori algoritmici quasi ottimali, e riducendo al contempo la latenza di decodifica di circa uno o due ordini di grandezza. Il nostro framework si ispira a un’analisi rigorosa del decodificatore esatto delle marginali bit a bit, che rivela un floor d’errore incompatibile con la sindrome e indipendente dalla distanza. Inoltre, mostriamo la robustezza dei decodificatori basati su reti neurali rispetto a prior sugli errori non corrispondenti. I nostri risultati indicano che la decodifica neurale adattiva è una strada promettente verso una correzione quantistica degli errori rapida, accurata e scalabile nel breve termine.