Distillare la conoscenza dalla ricerca: fabbrica di modelli di decoder per codici LDPC quantistici

Abstract degli autori

Presentiamo GraphMP, un decoder basato sull’apprendimento e sul passaggio di messaggi per codici LDPC quantistici, trasferibile senza fine-tuning tra famiglie di codici, dimensioni dei codici, tassi di errore fisico e modelli di rumore. GraphMP usa il passaggio locale di messaggi per mantenere scalabile il calcolo man mano che cresce il grafo di decodifica. Guidata dalle sue previsioni, la ricerca a fascio affina progressivamente i pattern di errore candidati, accettando tempi di decodifica più lunghi per ottenere tassi di errore logico inferiori. Sviluppiamo la fabbrica di modelli di decoder come paradigma per addestrare modelli successivi sulla base dell’esperienza generata dai modelli precedenti durante la decodifica. La ricerca guidata dal modello fornisce traiettorie verificate per la distillazione della conoscenza, convertendo il calcolo impiegato nella decodifica in dati di addestramento riutilizzabili. La raccolta e la distillazione ripetute migliorano il decoder di generazione in generazione e ne adattano la strategia al variare del rumore. Questi risultati motivano un’architettura quantistico-classica accoppiata, con due cicli interagenti: una decodifica rapida protegge l’informazione quantistica, mentre un apprendimento più lento rinnova i modelli sulla base dell’esperienza operativa. La visione a lungo termine è una fabbrica scalabile di modelli di decoder che produca decoder ad alte prestazioni e a bassa latenza, adattandoli continuamente all’hardware quantistico in evoluzione.