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

MDQEC-QAS का तकनीकी सारांश

समस्या विवरण (Problem Statement)
क्वांटम एरर करेक्शन (QEC) को ऐसे डिकोडर्स की आवश्यकता होती है जो लॉजिकल जानकारी को सुरक्षित रखने के लिए क्लासिकल सिंड्रोम मापन को रिकवरी ऑपरेशन्स में अनुवादित कर सकें। पारंपरिक डिकोडर अक्सर विशिष्ट कोड परिवारों या नॉइज़ मॉडल्स तक सीमित होते हैं, जिससे उनकी अनुकूलन क्षमता सीमित हो जाती है। हालांकि मशीन लर्निंग (ML) ने सीखे हुए (learned) डिकोडर्स पेश किए हैं, लेकिन उनमें से अधिकांश निश्चित कोड/नॉइज़ व्यवस्थाओं (regimes) तक ही सीमित रहते हैं। इसके अलावा, टीचर-लेबल सटीकता (सही रिकवरी स्ट्रिंग का अनुमान लगाना) और लॉजिकल-लेवल प्रदर्शन (लॉजिकल विफलताओं को रोकना) के बीच एक महत्वपूर्ण अंतर मौजूद है, विशेष रूप से बड़े टोपोलॉजिकल कोड्स के लिए जहाँ दुर्लभ भविष्यवाणियाँ विनाशकारी हो सकती हैं। इसके अतिरिक्त, डिकोडिंग के लिए वेरिएशनल क्वांटम सर्किट्स (VQCs) के परिनियोजन (deployment) में आर्किटेक्चर चुनने के व्यवस्थित तरीकों की कमी है जो हार्डवेयर बाधाओं (क्विबिट संख्या, गहराई, गेट गणना) के साथ प्रेडिक्टिव क्वालिटी को संतुलित कर सकें।

कार्यप्रणाली (Methodology)
लेखक MDQEC-QAS का प्रस्ताव करते हैं, जो एक एकीकृत मेटा-डिकोडिंग फ्रेमवर्क है जो एक एकल साझा मॉडल का उपयोग करके कई स्टेबलाइज़र कोड्स और नॉइज़ सेटिंग्स में सिंड्रोम-टू-रिकवरी मैपिंग को सीखता है। यह फ्रेमवर्क चार एकीकृत घटकों से बना है:

1. मेटा-डेटासेट निर्माण: चार कोड्स (FiveQubit, Steane, Planar3×3, Planar5×5) और चार नॉइज़ परिवारों (डेपोलराइजिंग, Z-बायस्ड, कोरिलेटेड Z-बर्स्ट, और सिंड्रोम फ्लिप्स के साथ डेपोलराइजिंग) से एक पूलिंग डेटासेट जनरेट किया गया है। डेटा फिजिकल एरर रेट $p \in \{0.03, 0.05, 0.07\}$ पर जनरेट किया गया है। सिंड्रोम्स और रिकवरी स्ट्रिंग्स को ग्लोबल डायमेंशन तक पैड किया गया है और कोड एवं नॉइज़ आइडेंटिफायर्स के आधार पर एक यूनिफाइड लेबल स्पेस में मैप किया गया है।
2. मेटा-डिकोडर ट्रेनिंग: दो मॉडल प्रकारों को टुपल्स $(s, c, \eta, p) \to y$ पर प्रशिक्षित किया जाता है:
   • Meta-MLP: एक क्लासिकल मल्टीलेयर पर्सेप्ट्रॉन बेसलाइन।
   • Meta-VQC: एक हाइब्रिड वेरिएशनल क्वांटम क्लासिफायर जहाँ इनपुट को क्विबिट डायमेंशन में प्रोजेक्ट किया जाता है, एंगल एनकोडिंग के माध्यम से एम्बेड किया जाता है, एंटैंगलिंग गेट्स के साथ ट्रेन करने योग्य परतों के माध्यम से प्रोसेस किया जाता है, और पाउली-Z एक्सपेक्टेशंस के माध्यम से मापा जाता है।
     ट्रेनिंग में कठिन व्यवस्थाओं (जैसे, Planar5×5) को प्राथमिकता देने के लिए एक वेटेड क्रॉस-एन्ट्रॉपी लॉस और क्रॉस-कोड प्रेडिक्शन को रोकने के लिए कोड-लेबल मास्किंग का उपयोग किया जाता है।
3. हार्डवेयर-अवेयर क्वांटम आर्किटेक्चर सर्च (QAS): एक VQC आर्किटेक्चर को फिक्स करने के बजाय, लेखक क्विबिट संख्या ($n_q \in \{4,5,6\}$), सर्किट डेप्थ ($L \in \{1,2\}$), और एंटैंगलिंग टोपोलॉजी (चेन, रिंग, फुल) पर एक सर्च करते हैं। आर्किटेक्चर का मूल्यांकन एक स्कोर का उपयोग करके किया जाता है जो वैलिडेशन एक्यूरेसी को हार्डवेयर कॉस्ट प्रॉक्सी (रॉ/ट्रांसपाइल्ड डेप्थ और टू-क्विबिट गेट काउंट) के विरुद्ध संतुलित करता है।
4. कॉन्फिडेंस-गेटेड हाइब्रिड रिकवरी: बड़े टोपोलॉजिकल कोड्स के लिए प्रेडिक्शन एरर्स की संवेदनशीलता को संबोधित करने के लिए, एक फॉलबैक मैकेनिज्म पेश किया गया है। यदि सीखे गए डिकोडर की प्रेडिक्शन कॉन्फिडेंस थ्रेशोल्ड ($\tau$) से अधिक है, तो उसके आउटपुट का उपयोग किया जाता है; अन्यथा, सिस्टम एक कोड-उपयुक्त "टीचर" डिकोडर पर फॉलबैक करता है।

मूल्यांकन व्यवस्थाएं (Evaluation Regimes)
फ्रेमवर्क का पांच ट्रांसफर सेटिंग्स में मूल्यांकन किया जाता है:

• इंटरपोलेशन (Interpolation): प्रशिक्षण के दौरान सभी कोड और नॉइज़ प्रकार देखे जाते हैं।
• Unseen-$p$ ट्रांसफर: प्रशिक्षण में न देखे गए फिजिकल एरर रेट्स पर टेस्टिंग।
• Unseen-Noise ट्रांसफर: प्रशिक्षण में न देखे गए नॉइज़ परिवार पर टेस्टिंग।
• Few-Shot Unseen-Code अडैप्टेशन: एक होल्ड-आउट कोड (Planar5×5) पर टेस्टिंग जिसमें इसके डेटा का केवल 5% प्रशिक्षण सेट में है।
• Few-Shot Held-Out-Size अडैप्टेशन: एक ऐसे कोड साइज पर टेस्टिंग जो प्रशिक्षण में नहीं देखा गया है।

मुख्य परिणाम (Key Results)

• टीचर-लेबल एक्यूरेसी: Meta-MLP सभी व्यवस्थाओं में उच्च सटीकता प्राप्त करता है (जैसे, इंटरपोलेशन में 0.9993, unseen-$p$ में 0.9118)। हार्डवेयर-अवेयर सर्च द्वारा चुने गए VQCs प्रतिस्पर्धी प्रदर्शन करते हैं, और अक्सर ट्रांसफर सेटिंग्स में एक्यूरेसी-सिलेक्टेड VQCs से बेहतर प्रदर्शन करते हैं (जैसे, unseen-$p$ में 0.8495 बनाम 0.8397), हालांकि वे आम तौर पर Meta-MLP से पीछे रहते हैं।
• ट्रांसफर पदानुक्रम (Transfer Hierarchy): नॉइज़ पैरामीटर्स ($p$ और नॉइज़ फैमिली) के माध्यम से सामान्यीकरण (generalization), कोड संरचनाओं (unseen code या code size) के माध्यम से सामान्यीकरण की तुलना में काफी आसान है। अनसीन कोड स्ट्रक्चर के लिए फ्यू-शॉट अडैप्टेशन सबसे महत्वपूर्ण प्रदर्शन गिरावट का परिणाम देता है।
• लॉजिकल-लेवल प्रदर्शन: उच्च टीचर-लेबल एक्यूरेसी कम लॉजिकल फेल्योर रेट की गारंटी नहीं देती है, विशेष रूप से Planar5×5 के लिए। इंटरपोलेशन रिजीम में, टीचर के सापेक्ष रॉ लॉजिकल फेल्योर रेश्यो क्रमशः 12.08 (Meta-MLP) और 25.91 (VQC) था।
• कॉन्फिडेंस गेटिंग का प्रभाव: Planar5×5 के लिए लॉजिकल फेल्योर रेश्यो को नाटकीय रूप से घटाकर 1.71 (Meta-MLP) और 1.11 (VQC) करने के लिए कॉन्फिडेंस-गेटेड फॉलबैक मैकेनिज्म लागू किया जाता है, जो दर्शाता है कि अनकंडीशनल रिप्लेसमेंट की तुलना में कॉन्फिडेंस-आधारित चयन अधिक प्रभावी है।

महत्व और दावे (Significance and Claims)
पेपर का दावा है कि इसका प्राथमिक योगदान केवल न्यूरल या क्वांटम डिकोडर्स का अलग-थलग उपयोग नहीं है, बल्कि मल्टी-कोड मेटा-डिकोडिंग, ट्रांसफर इवैल्यूएशन, हार्डवेयर-अवेयर VQC सर्च, और कॉन्फिडेंस-गेटेड हाइब्रिड रिकवरी को एक एकल पुनरुत्पादनीय (reproducible) पाइपलाइन में एकीकृत करना है।

लेखकों द्वारा रेखांकित किए गए प्रमुख निष्कर्ष इस प्रकार हैं:

1. स्ट्रक्चरल ट्रांसफर कठिनाई: नई कोड संरचनाओं या आकारों के अनुकूल होना, नए नॉइज़ डिस्ट्रीब्यूशन के अनुकूल होने की तुलना में काफी कठिन है।
2. हार्डवेयर-अवेयर चयन: कॉस्ट-अवेयर VQC चयन ऐसे आर्किटेक्चर दे सकता है जो एक्यूरेसी-सिलेक्टेड सर्किट्स के प्रतिस्पर्धी बने रहते हैं, विशेष रूप से ट्रांसफर परिदृश्यों में।
3. विश्वसनीयता बनाम सटीकता: बड़े टोपोलॉजिकल कोड्स के लिए, रॉ सुपरवाइज्ड एक्यूरेसी एक पर्याप्त विश्वसनीयता मेट्रिक नहीं है। सीखी गई भविष्यवाणियों और लॉजिकल विश्वसनीयता के बीच के अंतर को पाटने के लिए कॉन्फिडेंस-अवेयर मैकेनिज्म आवश्यक हैं।
4. हाइब्रिड रिकवरी: यह सिस्टम एक "लर्नड-असिस्टेड" रिकवरी सिस्टम के रूप में सबसे अच्छा काम करता है जहाँ सीखा गया मॉडल एक राउटर के रूप में कार्य करता है, जो अनिश्चित मामलों को एक मजबूत टीचर को सौंप देता है, बजाय इसके कि वह पारंपरिक डिकोडर्स के स्टैंडअलोन रिप्लेसमेंट के रूप में कार्य करे।