MDQEC-QAS: Meta-Decoding for Quantum Error Correction with Hardware-Aware VQC Search and Confidence-Gated Recovery

Resumen Técnico de MDQEC-QAS

Planteamiento del Problema
La corrección de errores cuánticos (QEC) requiere decodificadores que traduzcan las mediciones de síndromes clásicos en operaciones de recuperación para preservar la información lógica. Los decodificadores tradicionales suelen estar especializados en familias de códigos o modelos de ruido específicos, lo que limita su adaptabilidad. Si bien el aprendizaje automático (ML) ha introducido decodificadores aprendidos, la mayoría permanece confinada a regímenes de código/ruido fijos. Además, existe una brecha crítica entre la precisión de la etiqueta del profesor (predecir la cadena de recuperación correcta) y el rendimiento a nivel lógico (prevenir fallos lógicos), particularmente para códigos topológicos grandes donde los errores de predicción poco comunes pueden ser catastróficos. Asimismo, el despliegue de Circuitos Cuánticos Variacionales (VQC) para la decodificación se ve obstaculizado por la falta de métodos sistemáticos para seleccionar arquitecturas que equilibren la calidad predictiva con las restricciones de hardware (conteo de cúbits, profundidad, conteo de puertas).

Metodología
Los autores proponen MDQEC-QAS, un marco de meta-decodificación unificado que aprende mapeos de síndrome-a-recuperación a través de múltiples códigos estabilizadores y configuraciones de ruido utilizando un único modelo compartido. El marco consta de cuatro componentes integrados:

1. Construcción del Meta-Dataset: Se genera un conjunto de datos agrupado a partir de cuatro códigos (FiveQubit, Steane, Planar3×3, Planar5×5) y cuatro familias de ruido (despolarización, sesgo en Z, ráfaga correlacionada en Z y despolarización con cambios de síndrome). Los datos se generan a tasas de error físico $p \in \{0.03, 0.05, 0.07\}$. Los síndromes y las cadenas de recuperación se rellenan (padding) a dimensiones globales y se mapean a un espacio de etiquetas unificado condicionado por identificadores de código y de ruido.
2. Entrenamiento del Meta-Decodificador: Se entrenan dos tipos de modelos sobre las tuplas $(s, c, \eta, p) \to y$:
   • Meta-MLP: Un perceptrón multicapa clásico de referencia (baseline).
   • Meta-VQC: Un clasificador cuántico híbrido variacional donde la entrada se proyecta a una dimensión de cúbits, se incrusta mediante codificación de ángulo, se procesa a través de capas entrenables con puertas de entrelazamiento y se mide mediante expectativas de Pauli-Z.
   • El entrenamiento emplea una pérdida de entropía cruzada ponderada para priorizar regímenes más difíciles (ej. Planar5×5) y un enmascaramiento de etiquetas de código para evitar la predicción cruzada de códigos.
3. Búsqueda de Arquitectura Cuántica (QAS) Consciente del Hardware: En lugar de fijar una arquitectura VQC, los autores realizan una búsqueda sobre el conteo de cúbits ($n_q \in \{4,5,6\}$), la profundidad del circuito ($L \in \{1,2\}$) y la topología de entrelazamiento (cadena, anillo, completa). Las arquitecturas se evalúan utilizando una puntuación que equilibra la precisión de validación frente a los proxies de costo de hardware (profundidad bruta/transpilada y conteo de puertas de dos cúbits).
4. Recuperación Híbrida con Puerta de Confianza: Para abordar la sensibilidad de los códigos topológicos grandes a los errores de predicción, se introduce un mecanismo de respaldo (fallback). Si la confianza de la predicción del decodificador aprendido supera un umbral ($\tau$), se utiliza su salida; de lo contrario, el sistema recurre a un decodificador "profesor" apropiado para el código.

Regímenes de Evaluación
El marco se evalúa a través de cinco configuraciones de transferencia:

• Interpolación: Todos los códigos y tipos de ruido son vistos durante el entrenamiento.
• Transferencia de Unseen-$p$: Prueba en tasas de error físico no vistas durante el entrenamiento.
• Transferencia de Unseen-Noise: Prueba en una familia de ruido no vista durante el entrenamiento.
• Adaptación de Pocos Ejemplos (Few-Shot) de Unseen-Code: Prueba en un código mantenido al margen (Planar5×5) con solo el 5% de sus datos en el conjunto de entrenamiento.
• Adaptación de Pocos Ejemplos de Held-Out-Size: Prueba en un tamaño de código no visto durante el entrenamiento.

Resultados Clave

• Precisión de la Etiqueta del Profesor: El Meta-MLP logra una alta precisión en todos los regímenes (ej. 0.9993 en interpolación, 0.9118 en unseen-$p$). Los VQCs seleccionados mediante búsqueda consciente del hardware se comportan de manera competitiva, superando a menudo a los VQCs seleccionados por precisión en escenarios de transferencia (ej. 0.8495 vs. 0.8397 en unseen-$p$), aunque generalmente se quedan por detrás del Meta-MLP.
• Jerarquía de Transferencia: La generalización a través de parámetros de ruido ($p$ y familia de ruido) es significativamente más fácil que la generalización a través de estructuras de código (código no visto o tamaño de código). La adaptación de pocos ejemplos a una estructura de código no vista resulta en la degradación de rendimiento más significativa.
• Rendimiento a Nivel Lógico: Una alta precisión de la etiqueta del profesor no garantiza bajas tasas de fallo lógico, especialmente para Planar5×5. En el régimen de interpolación, las razones de fallo lógico brutas respecto al profesor fueron 12.08 (Meta-MLP) y 25.91 (VQC).
• Impacto de la Puerta de Confianza: La aplicación del mecanismo de respaldo con puerta de confianza reduce drásticamente las razones de fallo lógico para Planar5×5 a 1.71 (Meta-MLP) y 1.11 (VQC), demostrando que la recuperación selectiva basada en la confianza es más efectiva que el reemplazo incondicional del profesor.

Significancia y Reivindicaciones
El artículo sostiene que su contribución principal no es el uso aislado de decodificadores neuronales o cuánticos, sino la integración de la meta-decodificación multi-código, la evaluación de transferencia, la búsqueda de VQC consciente del hardware y la recuperación híbrida con puerta de confianza en un único flujo de trabajo reproducible.

Los hallazgos clave enfatizados por los autores incluyen:

1. Dificultad de Transferencia Estructural: Adaptarse a nuevas estructuras de código o tamaños es sustancialmente más difícil que adaptarse a nuevas distribuciones de ruido.
2. Selección Consciente del Hardware: La selección de VQC basada en costos puede generar arquitecturas que se mantienen competitivas con los circuitos seleccionados por precisión, particularmente en escenarios de transferencia.
3. Fiabilidad vs. Precisión: Para códigos topológicos grandes, la precisión supervisada bruta es insuficiente como métrica de fiabilidad. Los mecanismos basados en la confianza son necesarios para cerrar la brecha entre las predicciones aprendidas y la fiabilidad lógica.
4. Recuperación Híbrida: El sistema funciona mejor como un sistema de recuperación "asistido por aprendizaje", donde el modelo aprendido actúa como un enrutador, delegando los casos inciertos a un profesor robusto, en lugar de actuar como un reemplazo independiente de los decodificadores tradicionales.