Previsione della distanza per i codici quantistici

Abstract degli autori

La distanza di un codice quantistico è una metrica fondamentale che determina la sua capacità di correzione degli errori. Sebbene le famiglie di codici quantistici a controllo di parità a bassa densità (qLDPC), come i codici Bivariate Bicycle (BB), offrano una strada promettente verso la computazione quantistica tollerante ai guasti con basso overhead, calcolarne la distanza è difficile. Gli attuali risolutori esatti e persino le euristiche di ricerca che forniscono un limite superiore della distanza soffrono di gravi colli di bottiglia computazionali, che limitano la scoperta di codici ottimali. In questo articolo, costruiamo un dataset di codici BB con i corrispondenti limiti superiori della distanza, ottenuti tramite ricerche euristiche con budget elevati. Presentiamo BB-Net, un’architettura di rete neurale basata sull’attenzione per prevedere la distanza dei codici BB. Raggiunge un’accuratezza del 96,39% sulle distanze di riferimento del set di test, contro il 94,86% delle euristiche allo stato dell’arte, con un budget fino a $10^{4}$ volte superiore in termini di tempo di calcolo. Su un sottoinsieme con distanze esatte certificate, BB-Net raggiunge il 98,94%. Rimuovendo il collo di bottiglia del calcolo della distanza, BB-Net consente di esaminare più rapidamente ampi spazi di codici, in particolare nelle pipeline di ricerca basate sull’apprendimento automatico, e può quindi accelerare la scoperta di nuovi codici quantistici per la correzione degli errori, una capacità importante per far progredire la computazione quantistica scalabile e tollerante ai guasti. Il nostro codice è disponibile pubblicamente: https://github.com/NadavSc/BBNet