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

MDQEC-QAS の技術要約

問題提起
量子誤り訂正（QEC）には、論理情報を保持するために、古典的なシンドローム測定をリカバリ操作へと変換するデコーダが必要である。従来のデコーダは特定のコードファミリーやノイズモデルに特化していることが多く、適応性に欠ける。機械学習（ML）によって学習型デコーダが導入されたものの、その多くは固定されたコード／ノイズの領域内に限定されている。さらに、「教師ラベル精度」（正しいリカバリ文字列の予測）と「論理レベルの性能」（論理エラーの防止）との間には決定的な乖離が存在する。これは、特に大規模なトポロジカルコードにおいて、稀な予測エラーが致命的な結果を招くためである。加えて、変分量子回路（VQC）をデコーディングに展開する際、予測品質とハードウェア制約（量子ビット数、回路の深さ、ゲート数）のバランスを考慮したアーキテクチャを選択するための体系的な手法が不足している。

手法
著者らは、単一の共有モデルを用いて複数のスタビライザコードおよびノイズ設定間でシンドロームからリカバリへのマッピングを学習する、統一されたメタデコーディング・フレームワークである MDQEC-QAS を提案する。このフレームワークは、以下の4つの統合されたコンポーネントで構成される：

1. メタデータセット構築: 4つのコード（FiveQubit, Steane, Planar3×3, Planar5×5）と4つのノイズファミリー（脱分極、Zバイアス、相関Zバースト、およびシンドローム反転を伴う脱分極）からなるプールされたデータセットを生成する。データは物理エラー率 $p \in \{0.03, 0.05, 0.07\}$ で生成される。シンドロームとリカバリ文字列はグローバルな次元にパディングされ、コードおよびノイズ識別子によって条件付けられた統一ラベル空間にマッピングされる。
2. メタデコーダ学習: $(s, c, \eta, p) \to y$ のタプルに対して2種類のモデルを学習させる：
   • Meta-MLP: 古典的な多層パーセプトロンのベースライン。
   • Meta-VQC: 入力が量子ビット次元に投影され、角度エンコーディングによって埋め込まれ、学習可能な層と絡み合いゲートを通じて処理され、Pauli-Z期待値によって測定されるハイブリッド変分量子分類器。
     学習には、困難な領域（例：Planar5×5）を優先するための重み付きクロスエントロピー損失と、コード間の予測を防ぐためのコードラベルマスキングが用いられる。
3. ハードウェアを考慮した量子アーキテクチャ探索 (QAS): VQCのアーキテクチャを固定する代わりに、量子ビット数 ($n_q \in \{4,5,6\}$)、回路の深さ ($L \in \{1,2\}$)、および絡み合いトポロジー（チェイン、リング、フル）について探索を行う。アーキテクチャは、検証精度とハードウェアコストのプロキシ（生の／トランスパイル後の深さおよび2量子ビットゲート数）のバランスをとるスコアを用いて評価される。
4. 信頼性ゲート付きハイブリッドリカバリ: 大規模なトポロジカルコードにおける予測エラーへの敏感さに対処するため、フォールバックメカニズムを導入する。学習済みデコーダの予測信頼度が閾値 ($\tau$) を超える場合はその出力を使用し、そうでない場合は、コードに適した「教師」デコーダへとフォールバックする。

評価レジーム
本フレームワークは、5つの転送設定で評価される：

• 補間 (Interpolation): すべてのコードとノイズタイプが訓練時に既知である。
• 未学習の $p$ への転送 (Unseen-$p$ Transfer): 訓練時に見られなかった物理エラー率でのテスト。
• 未学習のノイズへの転送 (Unseen-Noise Transfer): 訓練時に見られなかったノイズファミリーでのテスト。
• 少数のデータによる未学習コードへの適応 (Few-Shot Unseen-Code Adaptation): 学習データに5%のみ含まれる保持されたコード（Planar5×5）でのテスト。
• 少数のデータによる保持されたサイズへの適応 (Few-Shot Held-Out-Size Adaptation): 訓練時に見られなかったコードサイズでのテスト。

主な結果

• 教師ラベル精度: Meta-MLPはすべてのレジームで高い精度を達成する（例：補間では0.9993、Unseen-$p$ では0.9118）。ハードウェアを考慮して選択されたVQCは競争力のある性能を示し、転送設定において精度のみで選択されたVQCを上回ることが多い（例：Unseen-$p$ において0.8495 対 0.8397）。ただし、一般的にはMeta-MLPには及ばない。
• 転送の階層構造: ノイズパラメータ（$p$ およびノイズファミリー）に関する汎化は、コード構造（未学習のコードまたはコードサイズ）に関する汎化よりも大幅に容易である。少数のデータを用いた未知のコード構造への適応は、最も顕著な性能低下をもたらす。
• 論理レベルの性能: 高い教師ラベル精度は、必ずしも低い論理エラー率を保証しない。特にPlanar5×5において顕著である。補間レジームにおいて、教師に対する生の論理エラー比率は、Meta-MLPで12.08、VQCで25.91であった。
• 信頼性ゲートの影響: 信頼性ゲート付きフォールバックメカニズムを適用することで、Planar5×5の論理エラー比はMeta-MLPで1.71、VQCで1.11へと劇的に減少した。これは、条件なしの教師置換よりも、信頼性に基づく選択的リカバリの方が効果的であることを示している。

意義と主張
本論文の主要な貢献は、ニューラルまたは量子デコーダを単独で使用することではなく、マルチコード・メタデコーディング、転送評価、ハードウェアを考慮したVQC探索、および信頼性ゲート付きハイブリッドリカバリを単一の再現可能なパイプラインとして統合したことにあると主張している。

著者らが強調する主な知見は以下の通りである：

1. 構造的転送の困難さ: 新しいコード構造やサイズへの適応は、新しいノイズ分布への適応よりも大幅に困難である。
2. ハードウェアを考慮した選択: コストを考慮したVQC選択は、特に転送シナリオにおいて、精度のみで選択された回路と同等の競争力を維持できるアーキテクチャを提供できる。
3. 信頼性と精度の関係: 大規模なトポロジカルコードにとって、生の教師あり学習の精度は信頼性の指標としては不十分である。学習された予測と論理的信頼性の間のギャップを埋めるためには、信頼性に基づいたメカニズムが必要である。
4. ハイブリッドリカバリ: 本システムは、学習済みモデルがスタンドアロンの置換としてではなく、不確実なケースを堅牢な教師に委ねるルーターとして機能する「学習支援型」のリカバリシステムとして機能する場合に最も高い性能を発揮する。