Logical Neural Belief Propagation for Linear-Complexity Decoding of Surface Codes

技術要約：線形複雑度を持つ表面符号のデコーディングのための論理的ニューラル・ベル・プロパゲーション（L-NBP）

問題提起

量子誤り訂正（QEC）には、符号長に対して効率的にスケールしつつ、高い論理精度を実現するデコーダが必要です。表面符号は、その高い誤り閾値と局所的な結合性により、スケーラブルな量子コンピューティングの有力な候補となっています。しかし、既存のデコーダは複雑度と精度の間でトレードオフに直面しています：

• 最小重み完全マッチング (MWPM): 表面符号の標準的なデコーダですが、最悪の場合の計算複雑度が超線形であり、スケーラビリティを阻害します。
• ベル・プロパゲーション (BP): 線形なデコーディング複雑度 ($O(n)$) を持つため魅力的ですが、従来のBPデコーダは、短周期（ショートサイクル）や量子縮退の影響により、表面符号において十分な論理精度に達することがしばしば困難です。
• ニューラル・ベル・プロパゲーション (NBP): メッセージの対称性を打破するために学習可能な重みを導入することで、BPを改善したものです。しかし、スタンドアロンのNBPは依然として精度に限界があり、明確な閾値挙動を示すことも困難です。
• 完全ニューラル・デコーダ: TransformerやCNNのようなアーキテクチャは高い精度を実現しますが、スケーラビリティと膨大な学習コストという課題があります。

核心となる課題は、BPのような複雑なデコーダ（MWPMやBP-OSDなど）の高い論理精度を維持しつつ、BPの線形な複雑度を備えたデコーダを開発することです。

手法：論理的ニューラル・ベル・プロパゲーション (L-NBP)

著者らは、デコーディングの目的を物理レベルのデコーディング（正確な物理エラーパターンの推定）から、論理レベルのデコーディング（エラーによって誘発される論理演算子の予測）へと転換するハイブリッド・デコーダである論理的ニューラル・ベル・プロパゲーション (L-NBP) を提案しています。

このアーキテクチャは、エンドツーエンド（E2E）で接続された2つの学習可能なステージで構成されています：

1. ニューラルBP (NBP) モジュール:
   • タナーグラフ上の標準的なBPメッセージパッシング構造を用いて、観測されたハード・シンドローム $s$ を処理します。
   • 標準的なBPとは異なり、メッセージを更新するために学習可能な重みを利用します。
   • ハードな物理エラーの推定を出力する代わりに、各量子ビットのエラーに関する信念を表す事後対数尤度比（LLR）を生成します。
2. 論理分類器:
   • NBPモジュールからの事後LLRを受け取り、それを連続値のソフト・シンドロームに変換します。これは、学習可能な重み付き和を用いてエッジごとの事後LLRを反復的に集計し、学習可能な温度パラメータによって正規化することで実現されます。
   • このソフト・シンドロームは、単一の隠れ層を持つ軽量な多層パーセプトロン（MLP）に入力されます。
   • MLPは、単一論理量子ビットの表面符号における4つの可能な論理演算子 $\{\bar{I}, \bar{X}, \bar{Z}, \bar{Y}\}$ を表すロジット・ベクトルへとソフト・シンドロームをマッピングします。

主要な学習戦略:
システム全体は、論理レベルのクロスエントロピー損失を用いてエンドツーエンドで学習されます。極めて重要な点は、NBPモジュールが物理エラーの回復を最小化するように訓練されるのではない（これが標準的なNBPの目的です）ということです。代わりに、最終的な論理分類タスクにとって最も情報量の多いソフト・シンドロームを抽出するように訓練されます。これにより、NBPモジュールは、基礎となる物理エラーパターンが完全に回復されていなくても、論理推論に有利な表現を学習することが可能になります。

マルチラウンド測定への拡張:
本フレームワークは、フェノメノロジカル（現象論的）および回路レベルのノイズモデル（シンドローム測定がノイズを含み、$R$ ラウンド繰り返される場合）にも拡張可能です。

• NBPモジュールは、シンドロームの履歴を処理するために拡張スタビライザー行列上で動作します。
• 主要な革新は、NBPモジュールが「シンドローム履歴圧縮器」として機能し、時間的な情報を固定長 $m$ のソフト・シンドロームに集約することです（これはラウンド数 $R$ に依存しません）。
• その結果、論理分類器は単一ラウンドの場合と構造的に同一であり、ラウンドあたりの線形複雑度が維持されます。

主な貢献

1. 目的の転換: 最適化ターゲットを物理エラーの回復から論理演算子の予測へとシフトさせることが、BPベースのデコーダの性能を大幅に向上させることを実証しました。
2. エンドツーエンドの学習可能性: メッセージパッシングの重みと論理分類器を共同で最適化する、完全に学習可能なパイプラインを導入し、BPモジュールが論理分類に特に有用な特徴を学習できるようにしました。
3. 高精度を伴う線形複雑度: MWPMやBP-OSDのような超線形なデコーダに匹敵、あるいはそれを上回る性能を達成しつつ、標準的なBPの $O(n)$ の複雑度スケーリングを維持しました。
4. 回路レベルのノイズにおける効率性: L-NBPが、BP-OSDで使用される大規模な検出器エラーモデル（DEM）ではなく、コンパクトなスタビライザー行列上で動作することにより、回路レベルのノイズにおける計算爆発を回避できることを示しました。

結果

著者らは、コード容量、フェノメノロジカル、および回路レベルのノイズモデルの下でL-NBPを評価しています：

• コード容量モデル (デポラリゼーション・ノイズ):

  • 閾値: L-NBPは**17.5%**の閾値を達成し、MWPM (14.5%)、BP-OSD (16.5%)、およびQECCT (17.1%) やAMBPといった他の高複雑度デコーダを上回りました。
  • 精度: L-NBPはスタンドアロンのNBPを大幅に上回り、BP-OSDやMWPMと同等またはそれ以上の性能を示しました。
  • 複雑度: 距離 $d=13$ において、L-NBPはわずか 0.89 M FLOPs を必要とし、これはBP-OSDの1.95 M、AMBPの95 M、QECCTの604 Mと比較して非常に低いです。

• 回路レベルのノイズ:

  • 精度: 距離 $d=9$ において、L-NBPはBP-OSDおよびRelay-BPの精度に匹敵します。
  • 複雑度: L-NBPは、BP-OSDの0.2%、Relay-BPの**0.06%**の複雑度しか必要としません。これは、L-NBPが、BP-OSDが必要とする巨大なDEM行列（$d=9$ の場合 $720 \times 12750$）ではなく、コンパクトな拡張スタビライザー行列（$720 \times 1530$）上で動作するためです。
  • スケーラビリティ: BP-OSDの複雑度が $O(n^3)$（コード容量）または $O(n^4)$（フェノメノロジカル）で増大するのに対し、L-NBPはラウンドあたりの線形 $O(n)$ スケーリングを維持します。

意義

本論文は、L-NBPが表面符号におけるデコーディングの複雑度と精度の間の長年のトレードオフを解決することを主張しています。正確な物理エラーを特定することなく、論理演算子を回復することさえあれば修正に十分であるという、QECの独自の特性を活用することで、著者らはBPベースのデコーダが、性能を犠牲にすることなく効率的にスケールできることを実証しました。

これらの結果は、BP、ニューラル重み、および論理レベルのデコーディングを組み合わせることで、スケーラブル（線形複雑度）かつ非常に高精度（優れた閾値）な新しいクラスのデコーダが可能になることを示唆しています。このアプローチは、MWPMやBP-OSDのような現在の最先端デコーダの計算オーバーヘッドが禁止的なものとなる、大規模な量子システムにおけるリアルタイム・デコーディングへの実用的な道筋を提供します。