ملخص تقني: مُفكك مـامبا المتناثر (Sparse Mamba Decoder) لتصحيح الأخطاء الكمومية

بيان المشكلة

يعد تصحيح الأخطاء الكمومية (QEC) شرطًا أساسيًا للحوسبة الكمومية القادرة على تحمل الأخطاء، مما يتطلب مُفككات توازن بين الدقة والسرعة والقابلية للتوسع. كود السطح (Surface Code)، وهو مرشح رائد للتنفيذ في المدى القريب، يولد مصفوفة متلازمات (syndrome array) بحجم $O(d^2 R)$، حيث $d$ هو مسافة الكود و $R$ هو عدد جولات القياس.

تتعامل مُفككات الشبكات العصبية الحديثة، مثل AlphaQubit وDense Mamba decoder، مع مصفوفة المتلازمات الكثيفة الكاملة هذه بغض النظر عن معدل الخطأ الفعلي. ومع ذلك، عند معدلات الخطأ ذات الصلة فيزيائيًا (على سبيل المثال، $p \approx 0.1\%$)، يحتوي أقل من 5% من مدخلات المتلازمة على أحداث كشف نشطة. إن معالجة الحجم الكثيف بالكامل يشبه إجراء ضرب مصفوفات كثيفة على مصفوفة متناثرة بنسبة 97%، مما يؤدي إلى عبء حسابي غير ضروري. وعلاوة على ذلك، بينما يمكن للمُفككات القائمة على المطابقة مثل "المطابقة المثالية بوزن أدنى" (MWPM) أن تكون سريعة، إلا أنها غير مثالية لأنها تفشل في مراعاة الأخطاء المترابطة (مثل أخطاء Y التي تطلق كل من مستقرات X و Z). وفي المقابل، فإن المُفككات القالية بالدقة مثل Tesseract أو AlphaQubit 2 غالبًا ما تتطلب أجهزة متخصصة (مثل وحدات TPU من نوع Trillium) أو تظهر زمن انتقال (latency) يتوسع بشكل سيئ مع مسافة الكود.

المنهجية: مُفكك مـامبا المتناثر (SMD)

يقدم المؤلفون "مُفكك مـامبا المتناثر" (SMD)، وهو بنية تعتمد على العيوب (defect-centric architecture) تُحدث تحولًا جذريًا في تمثيل المدخلات من مصفوفات المتلازمة الكثيفة إلى تسلسلات متناثرة من أحداث الكشف النشطة.

1. التمثيل المتناثر للعيوب

بدلاً من معالجة حجم المتلازمة الكثيف $(d^2-1) \times R$ بالكامل، يستخرج SMD فقط $k$ من أحداث الكشف النشطة. يتم تمثيل كل عيب بواسطة متجه سمات ذي 13 بُعدًا ($f_{i,t}$) يشفر:

• الإحداثيات المكانية: $(x, y)$ طبيعية على الشبكة المدوّرة.
• السياق الزمني: مؤشر الجولة الطبيعي $t/R$.
• نوع المستقر (Stabilizer Type): علامة ثنائية لتدقيقات النوع X أو النوع Z.
• أعلام الاتصال: مؤشرات ثنائية للجيران المجاورين مكانيًا (4 أعلام) والجيران الزمانيين (علامتان) الذين اشتغلوا أيضًا.
• مسافات الحدود: المسافات الطبيعية إلى حدود المنطق Z و X ($b_Z, b_X$).
• القياس المعاد بناؤه: عملية XOR التراكمية لسجل أحداث الكشف ($m_{i,t}$)، مما يوفر الحالة الحالية للمستقر.

يتم فرز هذه السمات حسب الوقت وفهرس المستقر لتشكيل تسلسل متغير الطول بطول $k$، حيث $k \ll d^2 R$ عند معدلات الخطأ ذات الصلة.

2. البنية

يستخدم SMD نموذج حالة الفضاء (state-space model) من نوع Mamba كعمود فقري، والذي يعالج تسلسل العيوب في وقت خطي دون آليات الانتباه (attention mechanisms).

• التضمين (Embedding): يقوم MLP ذو طبقتين بإسقاط السمات ذات الـ 13 بُعدًا إلى بُعد النموذج ($d_{model}$).
• طبقات الخلط (Mixer Layers): يتكون اللب من $L$ من الطبقات، تحتوي كل منها على كتلة مسح انتقائية من Mamba (ببُعد حالة $d_{state}=16$ وعرض تلافيف $d_{conv}=4$) متبوعة بكتلة كثيفة بوابية (Gated Dense block) باستخدام بوابة SiLU.
• القراءة (Readout): يتم تجميع التسلسلات متغيرة الطول عبر متوسط التجميع المقنع (masked mean pooling) وتمريرها عبر شبكة قراءة (ResBlock أو MLP) للتنبؤ بالملاحظة المنطقية $\hat{\lambda}$.
• النسخة ثنائية الرأس (Dual-Head Variant): بالنسبة لضجيج إزالة الاستقطاب (depolarizing noise)، تتنبأ بنية ثنائية الرأس بكل من $\lambda_Z$ و $\lambda_X$ بشكل مشترك، مما يسمح للنموذج بالتقاط الارتباطات بين قواعد الخطأ التي تغفلها مُفككات المطابقة المستقلة.

3. بروتوكولات التدريب

يستخدم المؤلفون استراتيجيات تدريب متميزة بناءً على نموذج الضجيج:

• الاختبارات المعيارية الاصطناعية: يتم التدريب من الصفر باستخدام بيانات اصطناعية جديدة باستخدام مُحسنات AdamW أو Lion.
• معيار SI1000: يستخدم منهجًا تعليميًا ثلاث المراحل عبر جولات القياس ($r \le 9, 25, 120$) للتعامل مع التسلسلات الطويلة.
• بيانات تجربة Sycamore: تتبع بروتوكول مرحلتين: التدريب المسبق على نموذج خطأ الكاشف (DEM) المعاير للأجهزة عبر بيانات XEB، متبوعًا بضبط دقيق (fine-tuning) على بيانات تجريبية حقيقية.
• التجميع (Ensembling): لتعظيم الدقة، يستخدم المؤلفون تجميع تعدد النقاط المرجعية (multi-checkpoint ensembling) (متوسط النتائج من النماذج في خطوات تدريب مختلفة) وتجميع تعدد البذور (multi-seed ensembling).

المساهمات الرئيسية

1. بنية مركزية للعيوب المتناثرة: يعالج SMD فقط العيوب النشطة ($k$) بدلاً من حجم المتلازمة الكامل ($d^2 R$)، محققًا تعقيدًا حسابيًا قدره $O(k)$. وهذا يتناقض مع $O(d^2 R)$ للمُفككات العصبية الكثيفة و $O(d^4 R)$ للطرق القائمة على الانتباه.
2. دقة عالية عبر الاختبارات المعيارية:
   • ضجيج إزالة الاستقطاب: يقلل SMD معدلات الخطأ المنطقي بنسبة 40-91% مقارنة بـ MWPM وTesseract وBelief Matching عند $d=5–11$ من خلال استغلال ارتباطات خطأ Y عبر فك التشفير المشترك.
   • ضجيج SI1000: يقلل معدل الخطأ المنطقي لـ MWPM بنسبة تصل إلى 49% عند $d \le 5$. وعند $d=7$، يحقق تجميع الثلاث نقاط المرجعية انخفاضًا بنسبة 16% فوق MWPM.
   • بيانات Sycamore: يطابق تجميع SMD أو يتفوق قليًا على مُفكك Mamba الكثيف الخاص بـ Lee et al. على البيانات التجريبية، رغم استخدام مدخلات متناثرة بدون تلافيف 2D متسعة.
3. الكفاءة الحسابية: يعمل SMD بسرعة أكبر بـ 95-467 مرة من مُفكك Tesseract القريب من MLD و232-463 مرة أسرع من Belief Matching تحت ضجيج SI1000. وتحت ضجيج الدائرة الموحد، يظل زمن انتقال SMD ثابتًا تقريبًا (24-57 $\mu$s) مع زيادة $d$ من 3 إلى 9، بينما يزديز زمن انتقال Belief Matching بمقدار 773×.
4. قابلية التنفيذ على الأجهزة الشائعة: تم تحقيق جميع النتائج على وحدات NVIDIA GPU القياسية (RTX 4090 وH200 NVL) مع أحجام نماذج تتراوح بين 7.5-16 مليون معلمة، مما يتجنب الحاجة إلى وحدات TPU المتخصصة المطلوبة لـ AlphaQubit 2.

النتائج والأداء

• الدقة: في مجموعة بيانات Sycamore ($d=3, 5$)، يحقق تجميع SMD معدلات خطأ منطقية تبلغ $2.940 \times 10^{-2}$ و $3.001 \times 10^{-2}$ على التوالي، متفوقًا على خط الأساس لـ Mamba الكثيف ($2.98 \times 10^{-2}$ و $3.03 \times 10^{-2}$) وعلى مُفككات الشبكة الموترية (tensor network decoders) عند $d=3$.
• توسع زمن الانتقال (Latency Scaling): بالنسبة لضجيج الدائرة الموحد، يزداد زمن انتقال SMD بمقدار 2.4× فقط من $d=3$ إلى $d=9$، مقارنة بزيادة قدرها 773× لـ Belief Matching.
• التعميم: يظهر النموذج قدرة قوية على التعميم لجولات خارج التوزيع (على سبيل المثال، $r=140$ عندما تم التدريب حتى $r=120$) وللأخطاء المتغيرة، بشرط أن تظل كثافة العيوب ضمن نطاق التوزيع التدريبي.

الأهمية والادعاءات

يدعي البحث أن التناثر المتأصل في متلازمات الخطأ الكمومي عند معدلات الخطأ ذات الصلة فيزيائيًا هو "مُقدمة هيكلية" (structural prior) قوية يجب استغلالها من قبل بنيات المُفككات. يوضح مُفكك مـامبا المتناثر أن:

1. التمثيل المتناثر كافٍ: لا يتطلب فك التشفير الدقيق معالجة مصفوفة المتلازمة الكثيفة الكاملة؛ حيث يسمح ترميز الهيكل المكاني مباشرة في ناقلات السمات لنموذج تسلسلي أحادي البعد بالتقاط الارتباطات الهندسية الضرورية.
2. القابلية للتوسع ممكنة على الأجهزة الشائعة: يمكن الحصول على أداء عالٍ الدقة وقريب من MLD باستخدام وحدات معالجة الرسومات الاستهلاكية دون الحاجة إلى مسرعات متخصصة، مما يجعل فك التشفيد العصبي المتقدم أكثر سهولة في الوصول إليه.
3. المفاضلة بين الكفاءة والدقة: يقدم SMD توازنًا أمثلًا (Pareto-optimal) بين الدقة والكفاءة، حيث يسد جزءًا كبيرًا من فجوة الدقة بين MWPM والمُفككات القريبة من MLD مع العمل بزمن انتقال أقل بعدة مراتب مقدارية.

يشير المؤلفون إلى أنه بينما تم تحسين SMD لإنتاجية الدفعات (batched throughput) على الأجهزة الحالية، فإن توسع $O(k)$ الخاص به يعد أمرًا مستقلًا عن بنيات البث (streaming architectures). يمكن للعمل المستقبلي الجمع بين المعالجة المتناثرة لـ SMD وتحسينات البث لتحقيق فك تشفير في الوقت الفعلي للكيوبتات فائقة التوصيل. كما يُفترض أن هذا النهج قابل للتكيف مع عائلات الأكواد الأخرى مثل الأكواد الملونة (color codes) وأكواد LDPC الكمومية.