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

Sintesi Tecnica di MDQEC-QAS

Enunciato del Problem
La correzione degli errori quantistici (QEC) richiede decoder in grado di tradurre le misurazioni dei sindromi classici in operazioni di recupero per preservare l'informazione logica. I decoder tradizionali sono spesso specializzati per specifiche famiglie di codici o modelli di rumore, limitandone l'adattabilità. Sebbene l'apprendimento automatico (ML) abbia introdotto decoder apprendibili, la maggior parte rimane confinata in regimi fissi di codice/rumore. Inoltre, esiste un divario critico tra l'accuratezza del "teacher-label" (predire la stringa di recupero corretta) e le prestazioni a livello logico (prevenire i fallimenti logici), particolarmente per i grandi codi topologici dove errori di predizione rari possono essere catastrofici. Inoltre, l'implementazione di Circuiti Quantistici Variazionali (VQC) per il decoding è ostacolata dalla mancanza di metodi sistematici per selezionare architetture che bilancino la qualità predittiva con i vincoli hardware (numero di qubit, profondità, conteggio dei gate).

Metodologia
Gli autori propongono MDQEC-QAS, un framework di meta-decoding unificato che apprende le mappature sindrome-recupero attraverso molteplici codici stabilizzatori e configurazioni di rumore utilizzando un singolo modello condiviso. Il framework è composto da quattro componenti integrate:

1. Costruzione del Meta-Dataset: Un dataset aggregato viene generato da quattro codici (FiveQubit, Steane, Planar3×3, Planar5×5) e quattro famiglie di rumore (depolarizing, Z-biased, correlated Z-burst, e depolarizing con syndrome flips). I dati sono generati a tassi di errore fisico $p \in \{0.03, 0.05, 0.07\}$. Le sindromi e le stringhe di recupero sono sottoposte a padding alle dimensioni globali e mappate in uno spazio di etichette unificato condizionato da identificatori di codice e rumore.
2. Addestramento del Meta-Decoder: Due tipi di modelli vengono addestrati su tuple $(s, c, \eta, p) \to y$:
   • Meta-MLP: Un baseline classico basato su perceptron multistrato.
   • Meta-VQC: Un classificatore quantistico variazionale ibrido in cui l'input è proiettato a una dimensione di qubit, incorporato tramite angle encoding, elaborato attraverso layer addestrabili con gate di entanglement, e misurato tramite aspettative Pauli-Z.
   • L'addestramento impiega una perdita di cross-entropy pesata per dare priorità ai regimi più difficili (es. Planar5×5) e un masking delle etichette del codice per prevenire la predizione incrociata tra codici.
3. Ricerca di Architettura Quantistica (QAS) Consapevole dell'Hardware: Invece di fissare un'architettura VQC, gli autori eseguono una ricerca sul numero di qubit ($n_q \in \{4,5,6\}$), sulla profondità del circuito ($L \in \{1,2\}$) e sulla topologia di entanglement (chain, ring, full). Le architetture sono valutate tramite un punteggio che bilancia l'accuratezza di validazione con i proxy del costo hardware (profondità raw/transpiled e conteggio dei gate a due qubit).
4. Recupero Ibrido con Gate di Confidenza: Per affrontare la sensibilità dei grandi codi topologici agli errori di predizione, viene introdotto un meccanismo di fallback. Se la confidenza della predizione del decoder appreso supera una soglia ($\tau$), il suo output viene utilizzato; altrimenti, il sistema torna a un decoder "teacher" appropriato al codice.

Regimi di Valutazione
Il framework è valutato attraverso cinque scenari di trasferimento:

• Interpolazione: Tutti i codici e i tipi di rumore sono visti durante l'addestramento.
• Trasferimento Unseen-$p$: Test su tassi di errore fisico non visti durante l'addestramento.
• Trasferimento Unseen-Noise: Test su una famiglia di rumore non vista durante l'addestramento.
• Adattamento Few-Shot Unseen-Code: Test su un codice tenuto fuori (Planar5×5) con solo il 5% dei suoi dati nel set di addestramento.
• Adattamento Few-Shot Held-Out-Size: Test su una dimensione di codice non vista durante l'addestramento.

Risultati Chiave

• Accuratezza Teacher-Label: Il Meta-MLP raggiunge un'alta accuratezza in tutti i regimi (es. 0.9993 in interpolazione, 0.9118 in unseen-$p$). I VQC selezionati tramite ricerca hardware-aware performano competitivamente, spesso superando i VQC selezionati per accuratezza nei setting di trasferimento (es. 0.8495 vs 0.8397 in unseen-$p$), sebbene generalmente restino inferiori al Meta-MLP.
• Gerarchia di Trasferimento: La generalizzazione attraverso i parametri di rumore (p e famiglia di rumore) è significativamente più facile rispetto alla generalizzazione attraverso le strutture dei codici (codice ineduto o dimensione del codice). L'adattamento few-shot a una struttura di codice ineduta risulta nella degradazione delle prestazioni più significativa.
• Prestazioni a Livello Logico: Un'alta accuratezza del teacher-label non garantisce bassi tassi di fallimento logico, specialmente per Planar5×5. Nel regime di interpolazione, i rapporti di fallimento logico grezzi rispetto al teacher erano 12.08 (Meta-MLP) e 25.91 (VQC).
• Impatto del Gate di Confidenza: L'applicazione del meccanismo di fallback basato sulla confidenza riduce drasticamente i rapporti di fallimento logico per Planar5×5 a 1.71 (Meta-MLP) e 1.11 (VQC), dimostrando che il recupero selettivo basato sulla confidenza è più efficace della sostituzione incondizionata del teacher.

Significatività e Rivendicazioni
Il paper sostiene che il suo contributo primario non sia l'uso isolato di decoder neurali o quantistici, ma l'integrazione di meta-decoding multi-codice, valutazione di trasferimento, ricerca VQC hardware-aware e recupero ibrido con gate di confidenza in un unico pipeline riproducibile.

Le scoperte chiave enfatizzate dagli autori includono:

1. Difficoltà di Trasferimento Strutturale: Adattarsi a nuove strutture o dimensioni di codice è sostanzialmente più difficile che adattarsi a nuove distribuzioni di rumore.
2. Selezione Hardware-Aware: La selezione di VQC consapevole dei costi può produrre architetture che rimangono competitive con i circuiti selezionati per accuratezza, in particolare negli scenari di trasferimento.
3. Affidabilità vs Accuratezza: Per i grandi codi topologici, l'accuratezza supervisionata grezza è insufficiente come metrica di affidabilità. Meccanismi basati sulla confidenza sono necessari per colmare il divario tra predizioni apprese e affidabilità logica.
4. Recupero Ibrido: Il sistema funziona meglio come un sistema di recupero "assistito dall'apprendimento", dove il modello appreso agisce come un router, delegando i casi incerti a un teacher robusto, piuttosto che come un sostituto autonomo dei decoder tradizionali.