Decodificatore neurale modulare per la memoria e la logica del codice di superficie su processori superconduttori

Abstract degli autori

I decodificatori neurali per la correzione degli errori quantistici hanno raggiunto un’elevata accuratezza negli esperimenti di memoria con codice di superficie, ma la computazione fault-tolerant pratica richiede decodificatori trasferibili tra dispositivi, condizioni di rumore e operazioni logiche. Presentiamo un decodificatore modulare ricorrente su grafi, progettato per questo scenario. Costruito a partire da codificatori locali di sindrome riutilizzabili, viene preaddestrato in simulazione e poi adattato all’hardware mediante una pipeline comune; tra un esperimento e l’altro si adatta soltanto la componente di aggregazione spaziale, che è leggera. Il decodificatore offre prestazioni competitive nei benchmark convenzionali di memoria, superando il matching perfetto a peso minimo (MWPM) alle distanze 3 e 5 su un processore IBM della generazione Nighthawk e avvicinandosi molto ad AlphaQubit sui dati hardware di Google sotto soglia. Testiamo poi il framework in due scenari che vanno oltre la decodifica della memoria, sullo stesso dispositivo IBM. Primo, in un esperimento di stabilità di tipo $X$, regoliamo continuamente il tasso effettivo di errore di misura usando una rotazione pre-lettura variabile e addestriamo un unico decodificatore congiuntamente sull’intervallo di rumore risultante. Il decodificatore eguaglia o supera MWPM lungo l’intero intervallo, senza richiedere un decodificatore calibrato separatamente per ogni impostazione. Secondo, decodifichiamo un esperimento di lattice surgery con fusione $ZZ$ tra due patch di codice di superficie di distanza 3, migliorando, rispetto a MWPM, la correlazione decodificata tra l’esito della fusione e la parità finale $ZZ$ su hardware reale. Nel loro insieme, questi esperimenti dimostrano una decodifica neurale trasferibile non solo tra hardware diversi, ma anche tra osservabili del codice di superficie e operazioni logiche qualitativamente differenti, usando modelli addestrabili con risorse accademiche dotate di una singola GPU.