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

Résumé Technique de MDQEC-QAS

Énoncé du Problème
La correction d'erreurs quantiques (QEC) nécessite des décodeurs capables de traduire les mesures de syndromes classiques en opérations de récupération pour préserver l'information logique. Les décodeurs traditionnels sont souvent spécialisés pour des familles de codes ou des modèles de bruit spécifiques, ce qui limite leur adaptabilité. Bien que l'apprentissage automatique (ML) ait introduit des décodeurs appris, la plupart restent confinés à des régimes de codes/bruits fixes. De plus, un écart critique existe entre la précision de l'étiquette de l'enseignant (teacher-label accuracy — prédire la chaîne de récupération correcte) et la performance au niveau logique (prévenir les défaillances logiques), particulièrement pour les codes topologiques de grande taille où des erreurs de prédiction rares peuvent être catastrophiques. Par ailleurs, le déploiement de circuits quantiques variationnels (VQC) pour le décodage est entravé par l'absence de méthodes systématiques pour sélectionner des architectures qui équilibrent la qualité prédictive avec les contraintes matérielles (nombre de qubits, profondeur, nombre de portes).

Méthodologie
Les auteurs proposent MDQEC-QAS, un cadre de méta-décodage unifié qui apprend les correspondances syndrome-récupération à travers plusieurs codes stabilisateurs et configurations de bruit à l'aide d'un modèle partagé unique. Le cadre se compose de quatre composantes intégrées :

1. Construction du méta-jeu de données : Un jeu de données regroupé est généré à partir de quatre codes (FiveQubit, Steane, Planar 3×3, Planar 5×5) et quatre familles de bruit (dépolarisation, biais Z, rafale corrélée Z, et dépolarisation avec inversions de syndrome). Les données sont générées à des taux d'erreur physique $p \in \{0.03, 0.05, 0.07\}$. Les syndromes et les chaînes de récupération sont complétés (padded) aux dimensions globales et mappés vers un espace d'étiquettes unifié conditionné par des identifiants de code et de bruit.
2. Entraînement du méta-décodeur : Deux types de modèles sont entraînés sur des tuples $(s, c, \eta, p) \to y$ :
   • Méta-MLP : Un perceptron multicouche classique servant de base de référence.
   • Méta-VQC : Un classificateur quantique variationnel hybride où l'entrée est projetée vers une dimension de qubits, encodée par angle, traitée via des couches entraînables avec des portes d'intrication, et mesurée via des espérances Pauli-Z.
   • L'entraînement utilise une perte d'entropie croisée pondérée pour prioriser les régimes plus difficiles (ex: Planar 5×5) et un masquage d'étiquette de code pour empêcher la prédiction inter-code.
3. Recherche d'Architecture Quantique (QAS) sensible au matériel : Au lieu de fixer une architecture VQC, les auteurs effectuent une recherche sur le nombre de qubits ($n_q \in \{4,5,6\}$), la profondeur du circuit ($L \in \{1,2\}$) et la topologie d'intrication (chaîne, anneau, complète). Les architectures sont évaluées à l'aide d'un score qui équilibre la précision de validation avec des proxies de coût matériel (profondeur brute/transpilée et nombre de portes à deux qubits).
4. Récupération hybride à seuil de confiance : Pour répondre à la sensibilité des codes topologiques de grande taille aux erreurs de prédiction, un mécanisme de repli (fallback) est introduit. Si la confiance de prédiction du décodeur appris dépasse un seuil ($\tau$), sa sortie est utilisée ; sinon, le système bascule vers un décodeur « enseignant » approprié au code.

Régimes d'Évaluation
Le cadre est évalué à travers cinq configurations de transfert :

• Interpolation : Tous les codes et types de bruit sont vus lors de l'entraînement.
• Transfert Unseen-$p$ : Test sur des taux d'erreur physique non vus lors de l'entraînement.
• Transfert Unseen-Noise : Test sur une famille de bruit non vue lors de l'entraînement.
• Adaptation Few-Shot Unseen-Code : Test sur un code tenu à l'écart (Planar 5×5) avec seulement 5 % de ses données dans l'ensemble d'entraînement.
• Adaptation Few-Shot Held-Out-Size : Test sur une taille de code non vue lors de l'entraînement.

Résultats Clés

• Précision de l'étiquette de l'enseignant : Le Méta-MLP atteint une précision élevée dans tous les régimes (ex: 0.9993 en interpolation, 0.9118 en unseen-$p$). Les VQC sélectionnés via la recherche sensible au matériel sont compétitifs, surpassant souvent les VQC sélectionnés par précision dans les scénarios de transfert (ex: 0.8495 contre 0.8397 en unseen-$p$), bien qu'ils accusent généralement un retard par rapport au Méta-MLP.
• Hiérarchie de transfert : La généralisation à travers les paramètres de bruit ($p$ et famille de bruit) est nettement plus facile que la généralisation à travers les structures de code (code non vu ou taille de code). L'adaptation few-shot à une structure de code inconnue entraîne la dégradation de performance la plus significative.
• Performance au niveau logique : Une haute précision de l'étiquette de l'enseignant ne garantit pas de faibles taux de défaillance logique, surtout pour le Planar 5×5. Dans le régime d'interpolation, les ratios de défaillance logique bruts par rapport à l'enseignant étaient de 12.08 (Méta-MLP) et 25.91 (VQC).
• Impact du seuil de confiance : L'application du mécanisme de repli par seuil de confiance réduit drastiquement les ratios de défaillance logique pour le Planar 5×5 à 1.71 (Méta-MLP) et 1.11 (VQC), démontnant que la récupération sélective basée sur la confiance est plus efficace qu'un remplacement inconditionnel de l'enseignant.

Signification et Revendications
L'article affirme que sa contribution principale n'est pas l'utilisation isolée de décodeurs neuronaux ou quantiques, mais l'intégration du méta-décodage multi-code, de l'évaluation de transfert, de la recherche de VQC sensible au matériel et de la récupération hybride à seuil de confiance dans un pipeline reproductible unique.

Les principales conclusions soulignées par les auteurs sont :

1. Difficulté de transfert structurel : S'adapter à de nouvelles structures ou tailles de code est substantiellement plus difficile que de s'adapter à de nouvelles distributions de bruit.
2. Sélection sensible au matériel : La sélection de VQC tenant compte du coût peut produire des architectures qui restent compétitives avec les circuits sélectionnés par précision, particulièrement dans les scénarios de transfert.
3. Fiabilité vs Précision : Pour les grands codes topologiques, la précision supervisée brute est insuffisante comme métrique de fiabilité. Des mécanismes basés sur la confiance sont nécessaires pour combler l'écart entre les prédictions apprises et la fiabilité logique.
4. Récupération hybride : Le système fonctionne de manière optimale en tant que système de récupération « assisté par apprentissage », où le modèle appris agit comme un routeur, déléguant les cas incertains à un enseignant robuste, plutôt que comme un remplacement autonome de l'enseignant.