A Unified Hardware-to-Decoder Architecture for Hybrid Continuous-Variable and Discrete-Variable Quantum Error Correction in LiDMaS+

Título: Una Arquitectura Unificada de Hardware a Decodificador para Corrección de Errores Cuánticos Híbrida de Variables Continuas y Discretas en LiDMaS+

1. El Problema

La corrección de errores cuánticos (QEC) está transitando hacia una fase de arquitectura donde la estructura de datos del hardware, las opciones de codificación lógica y la política de decodificación deben evaluarse como un sistema acoplado. Actualmente, existen dos desafíos principales:

• Heterogeneidad de Datos: Los proveedores de hardware cuántico (como Xanadu) exponen salidas nativas heterogéneas (registros de disparos, trazas de conmutadores, resúmenes de conteo, estructuras de matrices).
• Falta de Interfaces Estándar: Los estudios de decodificación requieren una representación lógica estable de eventos de síndrome. Sin una interfaz fija entre las capas de hardware y decodificación, las diferencias medidas en los decodificadores pueden estar contaminadas por "deriva de ingestión" (problemas de conversión de datos) en lugar de reflejar el comportamiento real de la política de corrección.
• Comparabilidad: Es difícil comparar decodificadores (MWPM, Union-Find, Belief Propagation, redes neuronales) de manera justa cuando los inputs no están normalizados o cuando los controles de reproducción no son deterministas.

2. Metodología

El estudio presenta LiDMaS+, una arquitectura de ejecución que separa la ingestión de datos del hardware de la lógica de reproducción de decodificadores.

• Arquitectura Unificada (Hardware $\to$ Lógico $\to$ Decodificador):
  • Se define un contrato de E/S de decodificador orientado a líneas. Los registros nativos del proveedor se normalizan en un único formato de solicitud/respuesta.
  • Solicitud: Contiene ID del código, índice de ronda, eventos de síndrome (índice, tiempo, tipo), priores de ruido (sigma, tasas de puerta/medición) y metadatos de procedencia.
  • Respuesta: Contiene la corrección propuesta (flips de qubits), etiqueta del decodificador y diagnósticos.
• Proceso de Ejecución:
  1. Conversión: Normaliza inputs heterogéneos en un flujo de eventos común con priores de ruido consistentes.
  2. Reproducción (Replay): Ejecuta las mismas solicitudes a través de múltiples decodificadores bajo controles fijos.
  3. Decodificadores Evaluados: MWPM (Minimum Weight Perfect Matching), UF (Union-Find), BP (Belief Propagation) y MWPM Neuronal.
• Casos de Estudio:
  • Datos de Prueba (Fixture): 4 familias de entrada (Job, Aurora, GKP, QCA) con 108 líneas totales.
  • Datos Reales: Cortes controlados de conjuntos de datos públicos de Xanadu (Aurora y QCA), totalizando 4000 solicitudes.
  • Controles: Se utilizaron datos sintéticos "held-out" con espaciedad de síndrome emparejada para aislar los efectos de la política del decodificador de la estructura específica del proveedor.
• Validación: Se verificó la integridad de la reproducción (100% de líneas de respuesta), la ausencia de errores de análisis y la consistencia de los nombres de los decodificadores. Se utilizaron hashes SHA-256 para garantizar la regeneración determinista.

3. Contribuciones Clave

• Contrato de E/S Unificado: Una interfaz en LiDMaS+ que preserva la semántica de eventos, ruido y procedencia a través de fuentes de hardware heterogéneas.
• Arquitectura Extensible: Un diseño que aísla la lógica de mapeo nativo del proveedor, permitiendo que la lógica de reproducción de decodificadores sea compartida y reutilizable.
• Análisis Determinista: Una pila de análisis por etapas que permite la regeneración auditable de resúmenes y figuras, eliminando la variabilidad en la comparación.
• Evidencia Empírica de Dependencia del Régimen: Demostración de que la separabilidad de la política del decodificador depende del régimen de operación (espaciedad de los datos), no es global.

4. Resultados Principales

• Integridad de la Interfaz: Se logró una cobertura completa de reproducción (108/108 en fixtures y 4000/4000 en datos reales) con cero errores de análisis y cero desajustes de nombres de decodificadores.
• Comportamiento Dependiente del Régimen:
  • BP (Belief Propagation): Consistentemente conservador en la intervención. Genera menos "flips" (correcciones) que los otros decodificadores.
    • En datos de prueba: Redujo el volumen de corrección ponderada en un 48.6% frente a MWPM.
    • En datos reales: Redujo el volumen en un 50.4% frente a MWPM y un 57.1% frente a UF.
  • MWPM y Familia Neuronal: Son más agresivos en la intervención, eliminando más síndrome pero realizando más correcciones.
• Compensación (Trade-off) Intervención vs. Residual:
  • BP, al ser conservador, deja una carga residual de síndrome más alta (tasa de síndrome residual no nula del 22.3% en datos reales frente al 0% de MWPM/UF).
  • MWPM/UF eliminan más síndrome pero con un mayor costo de intervención (más flips).
  • Conclusión: Un menor volumen de corrección no garantiza una mejor calidad de corrección lógica; depende de si el objetivo es minimizar la intervención o minimizar el síndrome residual.
• Invarianza de Diagnósticos: Las tasas de advertencia ("no-syndrome") y las métricas de entrada permanecieron invariantes al cambiar de decodificador, confirmando que la arquitectura preserva correctamente las características del hardware.

5. Significado e Impacto

• Fundamento para la Comparación Justa: Establece un estándar para comparar decodificadores en hardware fotónico y GKP, separando los efectos de la estructura de datos del hardware de la política del decodificador.
• Selección de Política de Arquitectura: El estudio demuestra que no existe un "mejor decodificador" universal. La elección debe basarse en el régimen de operación (espaciedad de los datos, estructura de ruido).
  • En ventanas de bajo riesgo y alta espaciedad, políticas conservadoras (BP) pueden ser preferibles.
  • Cuando el control del síndrome residual es crítico, se requieren políticas más agresivas (MWPM).
• Hacia Estrategias Adaptativas: Sugiere que las futuras implementaciones de QEC deben utilizar estrategias de decodificación híbridas o adaptativas que cambien de decodificador según el régimen operativo, en lugar de usar un decodificador estático.
• Viabilidad para GKP: Aunque los datos provienen de marcos de variables discretas, la arquitectura y las compensaciones observadas son directamente aplicables a sistemas híbridos de variables continuas-discretas (CV-DV) basados en codificación GKP, que son fundamentales para la computación cuántica tolerante a fallos fotónica.

En resumen, el artículo proporciona la infraestructura arquitectónica necesaria para evaluar y seleccionar políticas de corrección de errores de manera rigurosa y basada en datos, permitiendo que las decisiones de implementación se alineen con las condiciones operativas reales del hardware.