Fully convolutional 3D neural network decoders for surface codes with syndrome circuit noise

본 논문은 시공간 구조를 활용하는 완전 합성곱 3 차원 신경망 디코더가 회로 노이즈가 있는 대규모 회전 표면 코드 (최대 $d=97$) 에 효과적으로 일반화되어 최소 가중치 완전 매칭과 경쟁력 있는 오류 임계값을 달성하면서도 개선된 디코딩 지연 시간을 제공함을 보여준다.

핵심

거대한 보이지 않는 성이 폭풍우 한가운데 서 있도록 유지하려 한다고 상상해 보세요. 이 성은 양자 컴퓨터이며, 폭풍우는 끊임없이 성벽을 무너뜨리려 하는 노이즈(무작위 오류) 입니다.

성벽이 무너지지 않도록 지키기 위해서는 성벽을 끊임없이 순찰하며 균열 (오류) 을 찾아내고 전체 구조가 무너지기 전에 이를 수리하는 경비대 ( 디코더 ) 가 필요합니다.

이 논문은 **인공지능 **(AI), 구체적으로 3D 합성곱 신경망이라는 유형의 AI 를 사용하여 이러한 경비대를 훈련시키는 새로운 고효율 방식을 제시합니다. 여기서는 간단한 비유를 통해 논문 내용을 설명합니다.

1. 문제: "지켜보기엔 너무 거대한" 성

과거 경비대원들은 인간 탐정처럼 행동했습니다. 성의 지도를 보고 균열을 찾아낸 뒤, 이를 수리하는 최선의 방법을 파악했습니다. 이는 작은 성에는 잘 작동했습니다. 하지만 실용적인 성 (양자 코드) 으로 성장하기 위해 성들이 커짐에 따라 인간 탐정들은 압도당했습니다. 그들은 폭풍우에 맞춰 따라가기에는 너무 느렸거나, 너무 많은 메모리가 필요했습니다.

논문에 따르면, 우리는 성 전체를 한 번에 바라보며 한 장의 벽돌씩 확인하는 대신 손상 패턴을 즉시 찾아낼 수 있는 새로운 종류의 경비대가 필요합니다.

2. 해결책: "3D X-ray 시력"을 가진 AI

저자들은 양자 성을 위한 3D X-ray 기계처럼 작동하는 AI 를 구축했습니다.

• 입력: AI 는 단순히 현재 균열만 보는 것이 아니라, 성의 "시공간 영화"를 봅니다. 이는 일정 기간 동안의 성벽 (데이터) 과 경비대 순찰 로그 (신드롬) 를 보여줍니다.
• 비법: 그들은 데이터를 **"유닛 셀 **(unit cells)이라고 불리는 작고 반복되는 블록으로 조직화했습니다. 이는 바닥을 타일링하는 것과 같습니다. 전체 바닥을 한 번에 분석하려 하는 대신, AI 는 한 장의 타일 패턴을 학습한 뒤 그 지식을 전체 바닥에 즉시 적용합니다. 이를 통해 AI 는 방대한 양의 데이터를 매우 빠르게 처리할 수 있습니다.

3. 훈련: "단순화된" 실수로부터 배우기

AI 를 가르치기 위해 연구자들은 폭풍우의 예시와 이를 수리하는 방법을 보여줘야 했습니다.

• 도전 과제: 실제 폭풍우는 messy 합니다. 때로는 균열이 바라보는 각도에 따라 두 가지 다른 것처럼 보입니다 (대칭성). 이는 AI 를 혼란스럽게 합니다.
• 해결책: 그들은 "단순화기" 도구를 고안했습니다. 데이터를 AI 에게 보여주기 전에 이 도구를 사용하여 messy 한 예시들을 정리하고, 혼란스러운 루프를 제거하여 "균열"이 명확하고 곧은 선처럼 보이게 만들었습니다.
• 결과: AI 는 이러한 "정리된" 예시들에서 훨씬 더 잘 훈련되었습니다. 높은 확신으로 오류가 정확히 어디에 있는지 예측하는 법을 배웠습니다.

4. 두 가지 유형의 AI 경비대

논문은 두 가지 다른 스타일의 AI 경비대를 테스트했습니다.

1. **분류기 **(Classifier) 이 경비대는 폭풍우를 보고 "이 벽돌이 깨졌을 확률이 90% 입니다"라고 말합니다. 직접적인 추측을 합니다.
2. **확산 모델 **(Diffusion Model) 이는 더 창의적인 경비대입니다. 빈 캔버스 (무작위 추측) 로 시작하여 천천히 답을 정제해 나갑니다. 화가가 그림을 스케치한 뒤 이미지가 선명해질 때까지 세부 사항을 추가하는 것과 같습니다. 이는 가장 잘 맞는 해결책을 찾기 위해 몇 가지 다른 해결책을 시도해 볼 수 있습니다.

5. 결과: 더 빠르고 더 강력함

논문은 새로운 AI 경비대와 기존 "인간 탐정" 방식 (MWPM 이라고 함) 을 비교합니다.

• 정확도: AI 경비대는 매우 큰 성 (이 분야에서 거대한 규모인 97 크기까지) 에 대해서도 최고의 인간 방법만큼 잘 수행했습니다. **0.7%**까지의 오류율을 가진 폭풍우를 처리할 수 있었습니다.
• 속도: 이것이 큰 승리입니다. 중형에서 대형 성의 경우, AI 경비대는 인간 탐정보다 더 빠릅니다.
  • 비유: 인간 탐정이 문제를 수리하는 데 10 초가 걸린다면, AI 는 1 초밖에 걸리지 않을 수 있습니다. 양자 컴퓨팅 세계에서는 시간이 마이크로초 단위로 측정되므로, 그 9 초를 절약하는 것이 성이 서 있는지 무너지는지의 차이를 만듭니다.

6. "하이브리드" 접근법

논문은 AI 가 기존 방식을 완전히 대체한다고 말하지 않습니다. 대신, 그들은 하이브리드 팀을 사용합니다.

• AI가 먼저 중추적인 역할을 수행하여 명백하고 가장 흔한 균열을 즉시 수리합니다.
• **옛 탐정 **(PyMatching)은 AI 가 놓친 몇몇 까다로운 남은 균열을 수리하기 위해 그 다음에 투입됩니다.
• AI 가 이미 작업의 90% 를 처리했기 때문에 이 팀워크는 옛 탐정 혼자 사용하는 것보다 더 빠릅니다.

요약

이 논문은 (정리된 데이터로 훈련된) 지능적인 패턴 인식 AI 를 사용하면 이전보다 훨씬 빠르게 양자 오류를 디코딩할 수 있음을 보여줍니다. 이는 자체 노이즈 하에서 무너지지 않고 유용한 작업을 수행할 수 있을 만큼 충분히 큰 양자 컴퓨터를 구축하는 데 중요한 단계입니다. AI 는 대부분의 작업을 처리하는 고속 필터 역할을 하여, 더 느리고 정밀한 방법들이 가장 어려운 문제들만 처리하도록 합니다.

기술 요약

기술 요약: 회로 노이즈가 있는 표면 코드를 위한 완전 합성곱 3D 신경망 디코더

문제 정의
양자 오류 정정 (QEC) 은 결함 허용 양자 계산을 위해 필수적이지만, 디코딩 알고리즘은 정확도, 지연 시간, 확장성 사이의 중요한 절충에 직면해 있습니다. 최소 가중치 완전 매칭 (MWPM) 과 같은 최적 디코더가 존재하지만, 대규모 코드의 경우 (~1 마이크로초를 목표로 하는) 지연 시간 요구 사항을 충족하는 데 종종 어려움을 겪습니다. 기계 학습 (ML) 접근법, 특히 인공 신경망 (ANN) 은 유망한 대안을 제시하지만, 역사적으로 더 큰 코드 거리 ($d$) 로의 성능 일반화와 게이트 작동 및 유휴 시간 동안 발생하는 오류를 포함하는 현실적인 회로 노이즈 모델을 처리하는 데 어려움을 겪어 왔습니다. 기존 확장 가능한 ANN 접근법은 종종 로컬 처리 followed by 글로벌 잔여 디코더에 의존하지만, 완전한 회로 노이즈 하에서 회전된 표면 코드에서 높은 임계값과 낮은 논리적 오류율 (LERs) 을 달성하는 것은 여전히 중요한 장애물입니다.

방법론
저자들은 회로 노이즈 하에서 회전된 표면 코드를 디코딩하기 위해 완전 합성곱 3D 신경망 (FCNN) 을 활용하는 프레임워크를 제안합니다. 이 방법론은 세 가지 핵심 구성 요소에 기반합니다:

1. 벡터화 데이터 표현 및 시뮬레이션:
   저자들은 표면 코드를 위한 주기적인 '단위 셀' 표현을 도입합니다. 각 단위 셀은 최대 4 개의 데이터 큐비트와 관련된 안정자 생성자를 포함합니다. 회로 노이즈를 원시적인 공간적 (데이터 큐비트 오류) 및 시간적 (안시라 준비/측정 오류) 구성 요소로 분해함으로써, 병렬 시뮬레이션 기술을 개발했습니다. 이 방법은 벡터화된 부울 논리를 사용하여 오류를 시드니 사이클의 첫 번째 CNOT 직전의 기준 시간 단계로 역전파합니다. 이를 통해 대규모 훈련 데이터셋의 효율적인 생성과 데이터 증강이 가능해집니다.

2. 디코더 아키텍처:
   세 가지 다른 디코더 접근 방식이 조사되었습니다:

   • 다중 레이블 분류기 (지도 학습): 시드니 데이터에서 직접 오류 정정 비트를 예측하도록 훈련된 3D FCNN 입니다. 네트워크는 디코딩을 다중 레이블 분류 문제로 간주하여 데이터 및 안시라 큐비트의 X 및 Z 오류에 대한 확률을 출력합니다.
   • 간소화된 다중 레이블 분류기: '오류 단순화' 과정을 거친 데이터로 훈련된 동일한 아키텍처입니다. 이 과정은 '시공간 단순화기'(오류의 자명한 루프) 를 적용하여 대칭성을 줄이고 오류 사슬을 끊어 네트워크에 더 확실한 목표를 제공하려는 것입니다.
   • 조건부 확산 모델: 시드니 데이터에 조건부로 오류 구성을 샘플링하도록 학습하는 생성적 접근 방식입니다. 이 모델은 잔여 시드니를 계산하기 위해 퍼지 논리를 사용하고, 잠정적 정정을 반복적으로 정제합니다.

3. 하이브리드 디코딩 전략:
   모든 경우에서 ANN 은 로컬 전처리기 역할을 합니다. 네트워크는 일련의 정정을 출력하며, 이는 시드니에 적용되어 '잔여 시드니'를 생성합니다. 이 잔여는 최종 논리적 정정을 결정하기 위해 글로벌 디코더 (특히 MWPM 의 PyMatching 구현) 에 의해 디코딩됩니다. 이 '잔여 처리' 전략은 로컬 오류 해결을 위해 ANN 의 속도를 활용하면서 글로벌 일관성을 위해 MWPM 에 의존합니다.

주요 기여

• 확장 가능한 벡터화 시뮬레이션: 이 논문은 주기적 단위 셀 표현을 사용하여 회전된 표면 코드에서 회로 노이즈를 시뮬레이션하는 새로운 방법을 제시하여, 대규모 모델 훈련을 위한 효율적인 병렬 데이터 생성 및 증강을 가능하게 합니다.
• 대규모 거리로의 일반화: 이 연구는 FCNN 기반 디코더가 $d = 97$까지의 회전된 표면 코드로 일반화할 수 있음을 보여줍니다. 이는 종종 $d \le 63$으로 제한되었던 이전 ANN 기반 작업에 비해 상당한 증가입니다.
• 임계값 성능: 저자들은 완전한 회로 노이즈가 있는 회전된 표면 코드에 대해 최대 0.7% ($p' \approx 0.007$) 의 탈분극 파라미터 임계값을 달성했습니다. 이는 표준 MWPM 디코더와 경쟁할 수 있는 성능 수준입니다.
• 지연 시간 분석: 이 작업은 상세한 타이밍 분석을 제공하여, 현재 CPU/GPU 구현은 작은 코드를 위한 마이크로초 지연 시간 목표를 달성하기에 아직 충분히 빠르지 않지만, ANN 기반 접근 방식이 더 큰 거리 ($d \ge 33$) 와 특정 노이즈 영역에서 MWPM 단독보다 지연 시간 이점을 제공하기 시작함을 확인했습니다.

결과

• 정확도:
  • 증강된 데이터로 훈련된 간소화된 다중 레이블 분류기가 가장 좋은 성능을 보였으며, 글로벌 디코더로 사용될 때 MWPM 단독과 비교하거나 약간 초과하는 임계값을 달성했습니다.
  • $d=97$의 경우, 간소화된 ANN + MWPM 하이브리드는 MWPM 단독과 경쟁할 수 있는 논리적 오류율을 달성했으며, 임계값은 약 0.7% 에 달했습니다.
  • 확산 모델은 다중 레이블 분류기와 비교할 만한 성능을 달성했지만, 이를 크게 능가하지는 않았습니다.
  • 성능 향상은 PyMatching 의 PCM (패리티 체크 행렬) 변형을 글로벌 디코더로 사용할 때 가장 두드러졌으며, 더 정교한 DEM (검출기 오류 모델) 변형을 사용할 때는 더 온건했습니다.
• 지연 시간:
  • 표준 하드웨어 (Intel Core i9-13900K, Nvidia RTX 4070 Ti) 에서 단일 샷 ($d$ 사이클 디코딩) 의 총 디코딩 시간은 밀리초 영역에 머무릅니다.
  • 임계값 이상의 노이즈 수준에서는 $d=33$부터, 임계값 이하의 노이즈 수준에서는 $d=89$부터 MWPM 단독 대비 지연 시간 개선이 관찰되었습니다.
  • ANN 에 의해 지원될 때 글로벌 매칭 단계에 소요된 상대 시간이 크게 감소하여, ANN 이 로컬 오류의 상당 부분을 성공적으로 해결했음을 나타냅니다.
• 비교: 결과는 최대 테스트된 코드 거리 ($d=97$ 대 $d=63$ 또는 $d=17$) 와 노이즈 모델의 복잡성 (완전한 회로 노이즈 대 현상론적 또는 단순화된 노이즈) 측면에서 이전 ANN 기반 작업 (예: Meinerz 등, Chamberland 등) 을 능가합니다.

의의 및 주장
이 논문은 이러한 결과가 "표면 코드 디코딩을 위한 ANN 기반 프레임워크에 대한 유망한 전망"을 시사한다고 주장합니다. 저자들은 경쟁력 있는 임계값을 유지하면서 대규모 코드 거리 ($d=97$) 로 일반화할 수 있는 입증된 능력이 ANN 디코더가 결함 허용 자원 추정의 요구 사항을 지원할 수 있음을 나타낸다고 논증합니다.

그러나 저자들은 즉각적인 배포에 대해서는 겸손한 입장을 견지합니다. 그들은 현재 하드웨어 구현이 기존 초전도 장치에서 실시간 디코딩을 위한 마이크로초 지연 시간 요구 사항을 아직 충족하지 못한다고 명시적으로 언급하며, "dedicated 하드웨어의 사용과 같은 상당한 최적화가 필요할 수 있다"고 덧붙였습니다. 의의는 3D 합성곱 네트워크가 관련 코드 크기로 확장되고 복잡한 회로 노이즈를 처리할 수 있음을 입증한 개념 증명에 있으며, 이는 미래 하드웨어 가속 디코딩 솔루션을 위한 실현 가능한 경로를 제공합니다. 이 작업은 ANN 이 아직 MWPM 을 완전히 대체하지는 못하지만, 글로벌 디코더의 계산 부담을 줄일 수 있는 확장 가능하고 병렬화 가능한 대안을 제공하여 대규모 양자 컴퓨팅에 필요한 고속 처리 디코딩을 가능하게 할 수 있음을 강조합니다.