Neural network decoder confidence as a learned proxy for the logical gap

Sintesi Tecnica: La Confidenza del Decoder di Reti Neurali come Proxy Appreso del Gap Logico

Enunciato del Problema
Nella correzione degli errori quantistici, i decoder devono inferire il settore logico dai sindromi misurati. Sebbene l'algoritmo Minimum-Weight Perfect Matching (MWPM) sia un metodo di decoding standard, esso fornisce anche una misura di confidenza "soft" nota come gap complementare (o logico). Questo gap, definito come la differenza di peso tra la correzione a peso minimo nel settore logico predetto e nel settore complementare, viene utilizzato per la post-selezione: scartare le esecuzioni a bassa confidenza per ridurre il tasso di errore logico (LER).

I decoder basati su reti neurali (NN), in particolare le Graph Neural Networks (GNN), hanno dimostrato una precisione nelle decisioni hard superiore rispetto a MWPM. Tuttavia, a differenza di MWPM, le NN non possiedono intrinsecamente una metrica di confidenza interpretabile derivata da un esplicito obiettivo di ottimizzazione (come un grafo di matching). Rimane una questione aperta se l'output grezzo (logit) di una NN addestrata possa servire come un affidabile proxy appreso del gap logico, consentendo una post-selezione efficace senza richiedere la costruzione di settori logici concorrenti o modelli di errore espliciti.

Metodologia
Gli autori valutano un decoder GNN pre-addestrato (introdotto nel Riferimento [1]) rispetto a un decoder MWPM standard sul codice di superficie ruotato sotto rumore di livello di circuito uniforme.

• Input e Architettura: La GNN riceve in input un grafo di eventi di rilevamento, dove i nodi sono annotati con coordinate spazio-temporali e tipi di stabilizzatore (X o Z). I pesi degli archi si basano sulla distanza euclidea. La rete elabora questi dati attraverso strati di convoluzione su grafo e un'operazione di pooling globale per produrre un singolo scalare logit ($z(s)$) per l'osservabile logica.
• Metriche di Confidenza:
  • MWPM: Il gap con segno è definito come $g_{MWPM} = \omega(l_{wrong}) - \omega(l_{correct})$, dove $\omega$ è la somma dei pesi degli archi ($\ln((1-p_e)/p_e)$).
  • GNN: Il punteggio di confidenza è l'ampiezza del logit pre-sigmoidale, $g_{GNN} = |z(s)|$. Il segno viene assegnato a posteriori in base all'esito logico noto per l'analisi (positivo per il caso corretto, negativo per il fallimento).
• Valutazione: Entrambi i decoder vengono testati sugli stessi sindromi campionati. Lo studio analizza tre proprietà:
  1. Ranking: La capacità di ordinare le esecuzioni per affidabilità tramite curve di post-selezione (LER vs. tasso di accettazione $\kappa$).
  2. Distribuzione: La forma delle distribuzioni della confidenza con segno.
  3. Calibrazione: Quanto bene l'ampiezza della confidenza predice la probabilità condizionale di fallimento logico, modellata da $P(\text{error}|g) = 1 / (1 + 10^{\alpha g/10})$, dove $\alpha=1$ rappresenta il rapporto di log-verosimiglianza posteriore ideale.

Contributi Chiave e Risultati

1. Prestazioni di Post-Selezione Superiori: A un tasso di accettazione fisso, la post-selezione basata sul logit della GNN produce un tasso di errore logico inferiore rispetto alla post-selezione basata sul gap di MWPM. Ciò è valido per varie distanze del codice ($d=5, 7, 9$) e tassi di errore fisico. La GNN trattiene efficacementamente più esecuzioni affidabili senza richiedere un tasso di scarto più elevato.
2. Struttura della Distribuzione Simile al Gap: La distribuzione della confidenza con segno della GNN assomiglia al gap di MWPM per valori bassi e intermedi. Tuttavia, nel regime di alta confidenza, la GNN assegna una confidenza significativamente maggiore alle esecuzioni decodificate correttamente senza un corrispondente aumento dei fallimenti ad alta confidenza. Questa asimmetria permette alla GNN di spingere la soglia di accettazione più in alto, guidando il miglioramento del LER.
3. Calibrazione Quantitativa: L'ampiezza della confidenza della GNN segue più da vicino la relazione attesa tra confidenza e probabilità di fallimento rispetto al gap di MWPM.
   • Un fit di calibrazione aggregato su tutte le configurazioni simulate produce una pendenza $\alpha = 0.93$ per la GNN, rispetto a $\alpha = 0.82$ per MWPM.
   • Poiché il rapporto di log-verosimiglianza posteriore ideale corrisponde a $\alpha = 1$, la GNN fornisce una stima quantitativa della affidabilità logica più fedele, nonostante sia stata addestrata solo su sindromi e etichette logiche senza conoscenza esplicita dei pesi del modello di errore del detector (DEM).

Significatività e Rivendicazioni
L'articolo sostiene che un decoder a rete neurale addestrato esclusivamente su sindromi ed etichette logiche può apprendere un punteggio di informazione soft che agisce come un pratico proxy del gap logico. Questa scoperta è significativa perché:

• Generalizzabilità: Suggerisce una via per la post-selezione di tipo "gap-like" in scenari in cui gli output soft derivati da MWPM non sono disponibili, sono computazionalmente costosi o difficili da definire, come nei codici qLDPC generali dove il numero di settori logici cresce esponenzialmente ($4^k$).
• Efficienza: A differenza di MWPM, che richiede il confronto tra correzioni a peso minimo attraverso settori concorrenti per calcolare un gap, la GNN fornisce un punteggio di confidenza in un singolo passaggio in avanti (forward pass).
• Capacità di Apprendimento: I risultati dimostrano che le reti neurali possono apprendere non solo a minimizzare gli errori di decisione hard, ma anche a interiorizzare una scala di confidenza quantitativa che approssima il rapporto di log-verosimiglianza posteriore ideale, anche senza vincoli espliciti provenienti dall'obiettivo di matching.

Gli autori mantengono una posizione modesta, osservando che, sebbene il logit della GNN manchi dell'a priori interpretazione di un gap logico, esso mostra empiricamente le proprietà necessarie (ranking e calibrazione) per funzionare efficacemente come tale in protocolli di post-selezione.