Adaptive decoding of quantum LDPC codes through decoder disagreement

Quantencomputer versprechen, Probleme zu lösen, die für klassische Maschinen derzeit unmöglich sind – von der Entwicklung neuer Medikamente bis hin zum Knacken komplexer Verschlüsselungen. Diese Maschinen sind jedoch unglaublich fragil. Die Quantenbits, oder Qubits, die Informationen speichern, werden durch die geringste Hitze, Vibration oder elektromagnetische Störungen leicht gestört, was dazu führt, dass sie ihre Daten verlieren. Um einen nützlichen Quantencomputer zu bauen, müssen Wissenschaftler ein System entwickeln, das in der Lage ist, diese Fehler schneller zu erkennen und zu beheben, als sie auftreten – ein Prozess, der als Fehlertoleranz bekannt ist. Dies erfordert einen ständigen Strom von klassischen Computern, die die Quantenmaschine überwachen, die Fehlersignale lesen und Korrekturen in Echtzeit berechnen. Wenn der klassische Computer nicht mit der Geschwindigkeit der Quantenmaschine mithalten kann, gerät das gesamte System ins Stocken.

Die Herausforderung besteht darin, dass die leistungsfähigsten Fehlerkorrektur-Codes, die die meisten Daten schützen, auch am rechenintensivsten zu dekodieren sind. Sie erfordern einen klassischen Computer, der eine enorme Menge an Suchvorgängen durchführt, um die richtige Lösung für jedes einzelne Fehlermuster zu finden. Jahrelang war der Standardansatz, jedes Fehlermuster gleich zu behandeln und die gleiche intensive Suche auf jedes einzelne anzuwenden, unabhängig davon, ob es sich um einen einfachen Fehler oder ein komplexes Rätsel handelte. Dies gewährleistet zwar Genauigkeit, verschwendet aber enorme Mengen an Rechenleistung für die einfachen Fälle. Eine neue Studie von Forschern des University College London legt einen klügeren Weg nahe: Anstatt jeden Fehler gleich zu behandeln, kann der Decoder selbst prüfen, wie schwerwiegend seine erste Schätzung ist, und im laufenden Betrieb entscheiden, welche Fehler tatsächlich die „schwere Arbeit“ benötigen.

Die Forscher konzentrierten sich auf eine bestimmte Art von Quantenfehlerkorrektur-Code, den sogenannten Low-Density-Parity-Check-Code. In diesen Systemen erzeugt die Quantenmaschine eine Datenkette, die als Syndrom bezeichnet wird und wie eine Karte fungiert, die angibt, wo Fehler aufgetreten sein könnten. Um die Fehler zu beheben, führt ein klassischer Decoder zuerst einen schnellen, probabilistischen Algorithmus aus, der eine schnelle Schätzung des wahrscheinlichsten Fehlermusters abgibt. Danach führt er einen zweiten, algebraischen Schritt aus, der die Schätzung zwingt, perfekt zu den Regeln des Codes zu passen. Bei der traditionellen Methode würde der Decoder dann eine tiefe, erschöpfende Suche starten, um für jeden einzelnen Fall die absolut beste Korrektur zu finden, was viel Zeit in Anspruch nimmt. Die neue Studie stellt eine andere Frage: Wie viel dieser tiefen Suche ist für den jeweiligen spezifischen Fall tatsächlich notwendig?

Das Team entdeckte, dass die Antwort im Widerspruch zwischen diesen beiden ersten Schritten liegt. Die schnelle probabilistische Schätzung und die algebraische Korrektur stimmen bei einfachen Fehlern oft perfekt überein. Wenn der Fehler jedoch schwierig ist, führen die beiden Methoden zu unterschiedlichen Ergebnissen. Die Forscher fanden heraus, dass die Anzahl der Stellen, an denen diese beiden Antworten voneinander abweichen, als perfektes internes Warnsignal dient. Ein großer Widerspruch bedeutet, dass der Fehler komplex ist und die schnelle Schätzung wahrscheinlich falsch ist, während ein kleiner Widerspruch bedeutet, dass der Fehler einfach ist und die schnelle Schätzung wahrscheinlich richtig ist. Durch das Messen dieses Widerspruchs kann der Decoder sofort identifizieren, welche spezifischen Fehlermuster riskant und welche sicher sind.

Unter Verwendung dieser Erkenntnis baute das Team einen adaptiven Decoder, der die Arbeit unterschiedlich verteilt. Anstatt die teure tiefe Suche für jeden Fehler durchzuführen, führt das System zuerst die schnelle, zweistufige Prüfung durch. Wenn die beiden Schritte übereinstimmen oder nur geringfügig voneinander abweichen, akzeptiert das System die schnelle Antwort und fährt fort. Wenn der Widerspruch groß ist, was auf einen riskanten Fehler hindeutet, eskaliert das System diesen spezifischen Fall zur tiefen Suche. Die Forscher testeten dies an mehreren verschiedenen Quantencodes, einschließlich eines komplexen Codes mit 144 Daten-Qubits. Sie fanden heraus, dass das System durch die Anwendung der tiefen Suche nur auf die obersten 20 Prozent der schwierigsten Fälle nahezu die gesamte Genauigkeitssteigerung erreichte, die eine vollständige, erschöpfende Suche geboten hätte.

Die Ergebnisse zeigten eine drastische Reduzierung der Kosten. Beim 144-Qubit-Code reduzierte dieser selektive Ansatz die durchschnittliche Zeit, die für die Dekodierung jedes Fehlers benötigt wurde, um den Faktor 3,6 im Vergleich zur Anwendung der tiefen Suche auf jeden einzelnen Fall. Das System wurde viel schneller, ohne die Fähigkeit zur Fehlerkorrektur zu opfern. Die Forscher testeten diese Methode auch auf einem anderen Typ von Code mit einer unterschiedlichen Struktur, und dasselbe Muster blieb bestehen: Das Widerspruchssignal identifizierte erfolgreich die schwierigen Fälle, und die Konzentration der zusätzlichen Anstrengung auf diese Fälle fing fast alle verfügbaren Genauigkeitsgewinne ein. Dies deutet darauf hin, dass der Nutzen der tiefen Suche nicht gleichmäßig über alle Fehler verteilt ist, sondern in einer kleinen Teilmenge schwieriger Instanzen konzentriert ist, die der Decoder sofort erkennen kann.

Um sicherzustellen, dass dies nicht nur ein Ergebnis von Computersimulationen war, führte das Team ein Realeperiment auf einem Trapped-Ion-Quantenprozessor von Quantinuum durch. Sie verwendeten eine kleine Version des Codes auf der tatsächlichen Hardware, die einem realen Rauschen unterliegt, das oft ungeordneter und weniger vorhersehbar ist als die in Simulationen verwendeten Modelle. Selbst auf diesem physischen Gerät blieb das Widerspruchssignal ein zuverlässiger Prädiktor. Das System konnte immer noch zwischen einfachen und schwierigen Fehlern unterscheiden, was bewies, dass die Methode außerhalb eines theoretischen Modells funktioniert. Das Experiment verdeutlichte jedoch auch eine entscheidende Grenze: Zu wissen, welche Fehler riskant sind, ist nur die halbe Miete. Im Hardware-Test hatte die tiefe Suche sehr wenig zu korrigieren, da der Code selbst zu klein war, um die Fehler effektiv zu korrigieren. Dies bestätigte, dass die Methode am besten funktioniert, wenn es sowohl ein klares Signal zur Identifizierung von Problemen als auch genügend Leistung in der tiefen Suche gibt, um diese tatsächlich zu lösen.

Die Studie kommt zu dem Schluss, dass der klassische Computer nicht blind raten muss, wie viel Arbeit zu leisten ist. Der Decoder enthält bereits die Informationen, die er benötigt, um diese Entscheidung zu treffen. Indem er beobachtet, wann seine eigenen internen Schätzungen divergieren, kann das System seine Rechenleistung genau dort konzentrieren, wo sie am dringendsten benötigt wird. Dieser Ansatz ermöglicht es dem klassischen Computer, mit der Quantenmaschine Schritt zu halten und den Zustrom an Fehlerdaten effizient zu bewältigen. Er verwandelt den Dekodierungsprozess von einem mühsamen Brute-Force-Vorgang in eine gezielte Anstrengung und stellt sicher, dass die teuren Ressourcen nur für die Fehler aufgewendet werden, die sie wirklich erfordern. Dieses Gleichgewicht zwischen Geschwindigkeit und Genauigkeit ist ein entscheidender Schritt, um das groß angelegte, fehlertolerante Quantencomputing zu einer praktischen Realität zu machen.