PriorTilt: Decoding quantum LDPC codes with sparse perturbations of belief propagation priors

Quantencomputer versprechen, Probleme zu lösen, die für heutige Maschinen unmöglich sind, aber sie sind unglaublich zerbrechlich. Die Informationseinheiten, die sie verwenden und Qubits genannt werden, werden leicht durch Hitze, Vibration oder streuende elektromagnetische Felder gestört. Um eine nützliche Maschine zu bauen, müssen Wissenschaftler diese Qubits mithilfe einer Methode namens Fehlerkorrektur vor Fehlern schützen. Dies beinhaltet das Verteilung eines einzelnen logischen Informationsstücks über viele physikalische Qubits und das ständige Überprüfen dieser auf Fehler. Die vielversprechendste Art und Weise, dies für groß angelegte Maschinen zu tun, stützt sich auf eine spezifische Art von Code, der als Low-Density-Parity-Check-Code bekannt ist. Diese Codes sind effizient, weil sie spärliche Verbindungen zwischen den Qubits nutzen, aber das Dekodieren der von ihnen erzeugten Informationen ist ein schwieriges Rätsel. Das Standardwerkzeug zur Lösung dieses Rätsels ist ein Algorithmus namens Belief Propagation, der wie ein Team von Nachbarn funktioniert, die sich Notizen zuschieben, um herauszufinden, wo ein Fehler aufgetreten ist. Im Quantenbereich scheitert diese Methode jedoch oft, weil sie in Schleifen gerät oder nicht die richtige Antwort findet, da die Verbindungen zwischen den Qits verwirrende Kurzschleifen erzeugen.

Forscher bei IonQ haben einen neuen Ansatz namens PriorTilt entwickelt, um diesen Decodern zu helfen, aus diesen Sackgassen zu entkommen. Anstatt den gesamten Dekodierungsprozess grundlegend zu überarbeiten, haben sie eine sehr kleine, gezielte Anpassung vorgenommen. Stellen Sie sich eine Gruppe von Menschen vor, die versucht, ein Labyrinth zu lösen, indem sie Hinweise austauschen; wenn sie alle im gleichen falschen Pfad stecken bleiben, scheitert die ganze Gruppe. PriorTilt arbeitet dadurch, dass es gelegentlich und selektiv die ursprünglichen Annahmen eines winzigen Bruchteils der Menschen in der Gruppe leicht verändert, um sie dazu zu ermutigen, in eine andere Richtung zu schauen, ohne die Art und Weise zu ändern, wie sie Informationen mit ihren Nachbarn teilen. In ihren Simulationen ermöglichte dieser subtile Anstoß dem System, weitaus häufiger die korrekte Lösung zu finden als zuvor. Bei Tests auf drei verschiedenen Benchmark-Codes reduzierte die neue Methode die Rate der logischen Fehler im Vergleich zu den besten bestehenden Techniken erheblich und lief gleichzeitig schneller.

Der Kern des Problems liegt darin, wie diese Codes mit Unsicherheit umgehen. In einem Quantencomputer treten ständig Fehler auf, und das System muss identifizieren, welche physikalischen Qubits ihren Zustand geändert haben, ohne die empfindliche Information zu zerstören, die sie halten. Der Standard-Dekodieralgorithmus, Belief Propagation, arbeitet, indem er Nachrichten über ein Netzwerk von Verbindungen hin und her leitet. Jeder Knoten in diesem Netzwerk repräsentiert ein Qubit oder eine Prüfung, und sie tauschen Informationen über die Wahrscheinlichkeit eines Fehlers aus. Im klassischen Computing ist diese Methode hocheffektiv, aber im Quantenkontext enthält das Netzwerk oft kurze Schleifen, die dazu führen, dass die Nachrichten auf eine Weise hin und her springen, die verhindert, dass das System zu einer einzigen, korrekten Antwort findet. Der Algorithmus könnte zwischen zwei Möglichkeiten oszillieren oder einfach aufgeben, was den Computer in einem korrumpierten Zustand zurücklässt.

Um dies anzugehen, führten die Forscher eine Strategie ein, die nur dann interveniert, wenn der Standardprozess Anzeichen eines Scheiterns zeigt. Nachdem der übliche Dekodierungsschritt für eine festgelegte Anzahl von Runden durchlaufen wurde, überprüft das System, welche Teile des Netzwerks Schwierigkeiten haben. Es identifiziert spezifische Knoten, bei denen die Evidenz für einen Fehler schwach oder widersprüchlich ist. Für diese wenigen problematischen Stellen wendet der Algorithmus eine kleine, berechnete Verschiebung auf die ursprüngliche Annahme darüber an, ob ein Fehler aufgetreten ist oder nicht. Diese Verschiebung ist nicht zufällig; sie wird durch die jüngste Historie der durch diesen Knoten fließenden Nachrichten bestimmt. Wenn die Nachrichten darauf hindeuten, dass der Knoten verwirrt ist, kann der Algorithmus die Annahme leicht in Richtung der Idee verschieben, dass ein Fehler aufgetreten ist, oder leicht in Richtung der Idee, dass kein Fehler aufgetreten ist, je nachdem, was die umliegenden Daten nahelegen. Entscheidend ist, dass diese Änderung bei weniger als einem halben Prozent der Knoten im Netzwerk zu irgendeinem gegebenen Zeitpunkt angewendet wird. Der Rest des Systems arbeitet genau wie bisher weiter und tauscht Informationen ohne Unterbrechung aus.

Die Forscher testeten diese Methode an drei verschiedenen Quantencodes, einschließlich eines mit 144 physikalischen Qubits, das 12 logische Qubits kodiert. Sie simulierten den Dekodierungsprozess unter realistischen Bedingungen, bei denen Fehler mit einer Rate von einem zu tausend auftreten. In diesen Tests übertraf die neue Methode zwei führende Alternativen: eine Technik namens Relay-BP, die ihr Gedächtnis häufig zurücksetzt, und einen Beam-Search-Decoder, der mehrere mögliche Lösungen gleichzeitig untersucht. Für den 144-Qubit-Code reduzierte PriorTilt die logische Fehlerrate um den Faktor 4,3 im Vergleich zu Relay-BP und um den Faktor 3,1 im Vergleich zum Beam-Search-Decoder. Das bedeutet, dass für jede 4,3 Fehler, die mit der älteren Methode aufgetreten wären, nur ein Fehler mit der neuen Methode auftrat. Darüber hinaus war der neue Decoder schneller. Er verarbeitete die Daten im Durchschnitt in kürzerer Zeit als Relay-BP und war etwa dreimal schneller als der Beam-Search-Decoder.

Der Erfolg dieses Ansatzes deutet darauf an, dass massive Änderungen nicht immer notwendig sind, um komplexe Systeme zu verbessern. Indem die Forscher nur die ursprünglichen Annahmen der verwirrtesten Teile des Netzwerks durch winzige, intelligente Anpassungen veränderten, konnten sie das gesamte System zu einer korrekten Lösung führen. In einem spezifischen Testfall reduzierte die neue Methode die Fehlerrate im Vergleich zum Standardalgorithmus um den Faktor 610, während sie die ursprünglichen Überzeugungen von weniger als 0,5 % der Knoten in jedem Schritt änderte. Diese Effizienz ist für die Zukunft des Quantencomputings von entscheidender Bedeutung, da sie impliziert, dass eine leistungsstarke Fehlerkorrektur mit Decodern erreicht werden kann, die sowohl hochpräzise als auch schnell genug sind, um mit dem rasanten Tempo der Quantenoperationen Schritt zu halten. Die Forscher haben ihren Quellcode zur Verfügung gestellt, damit andere diese Ergebnisse verifizieren und die Technik potenziell für verschiedene Hardwarearchitekturen anpassen können. Die Ergebnisse zeigen, dass selektive, spärliche Perturbationen das volle Potenzial bestehender Dekodierungsrahmen freisetzen können, ohne dass komplexe, ressourcenintensive Alternativen erforderlich sind.