Low-Overhead Error-Corrected QCNNs Using Bivariate Bicycle Codes

기술 요약: 이변량 바이시클 코드를 이용한 저오버헤드 오류 정정 QCNN

문제 정의
양자 합성곱 신경망(QCNN)은 양자 병렬성과 계층적 특징 추출을 활용하여 분류 작업에서 계산 가속화의 경로를 제공한다. 그러나 이들의 실제 NISQ(Noisy Intermediate-Scale Quantum) 장치 배포는 높은 물리적 오류율과 결맞음(decoherence)에 의해 심각하게 저해된다. 이러한 노이즈 소스는 손실 지형(loss landscape)을 악화시켜 훈련 불안정성을 유발하고 수렴을 방해한다. 표면 코드(surface code)는 결함 허용(fault tolerance)을 위한 신뢰할 수 있는 방법을 제공하지만, 큐비트 오버헤드가 과도하게($O(d^2)$) 증가하여 수백 개의 논리 큐비트를 필요로 하는 근미래 아키텍처에는 실행 불가능하다. 또한, 기존의 오류 정정 코드는 대규모 자원 비용 없이 깊은 회로와 비-클리포드(non-Clifford) 게이트를 지원하는 데 어려움을 겪는 경우가 많다.

방법론
저자들은 이변량 바이시클(Bivariate Bicycle, BB) 코드와 QCNN을 통합하는 저오버헤드 양자 오류 정정(QEC) 프로토콜을 제안한다. 이 접근 방식은 세 가지 주요 구성 요소로 이루어진다:

1. 코드 선택: 본 연구는 $[[18, 4, 4]]$ 파라미터를 가진 거리-4 BB 코드를 사용한다. 이 코드는 4개의 논리 큐비트를 18개의 물리 큐비트에 인코딩하며(횡단적 매핑을 통해 11개의 고유 물리 인덱스로 축소됨), 일정한 인코딩 비율과 선형 코드 거리를 제공한다. 이 코드는 표준 회로 기반 노이즈 모델에 대해 약 0.3%의 오류 임계값을 갖는다.
2. 횡단적 인코딩(Transversal Encoding): 1차원 대칭 보호 위상(SPT) 상을 인식하도록 설계된 4-큐비트 QCNN이 BB 코드 공간 내에 삽ận된다. 논리 게이트는 횡단적 연산을 통해 구현되어, 연산이 보호된 코드 공간 내에 머물도록 보장한다. 비-클리포드 게이트(BB 코드에서 횡단적으로 구현할 수 없음) 문제를 해결하기 위해, 저자들은 증후(syndrome) 기반 디코더로서 피드포워드 신경망(FFNN)을 채택한다.
3. 하이브리드 디코딩 및 훈련: 클래식 사후 처리(지연 시간 병목 현상을 유발함)에만 의존하는 대신, FFNN이 QCNN 레이어 사이에 인터리빙(interleaved)된다. 이 디코더는 BB 코드의 안정자 체크(stabilizer checks)로부터 X 및 Z 증후 측정을 받아 개별 큐비트 파울리 교정(Pauli correction)을 예측한다. FFNN 가중치는 논리 오류율을 최소화하기 위해 SPSA(Simultaneous Perturbation Stochastic Approximation)를 사용하여 훈련된다. 훈련 과정은 회로에 확률적 파울리 노이즈를 주입하고, 논리 상태를 복구하기 위해 디코더의 회전 각도를 최적화하는 과정을 포함한다.

주요 기여

• BB 코드와 QCNN의 통합: 본 논문은 거리-4 BB 코드와 4-큐비트 QCNN을 결합한 특정 아키텍처를 도입하여, 일정한 오버헤드로 결함 허용성을 유지하는 방법을 입증하였다.
• 저오버헤드 QEC 프로토콜: 저자들은 비-클리포드 오류를 처리하기 위해 훈련 가능한 FFNN 디코더를 사용하는 일정한 오버헤드의 QEC 기술을 제안하며, 이를 통해 표면 코드에서 요구되는 값비싼 매직 상태 증류(magic state distillation) 공장을 피한다.
• 노이즈 탄력성 검증: 수치 시뮬레이션을 통해 제안된 QEC-QCNN이 보호되지 않은 QCNN이 실패하는 NISQ 오류율에서도 훈련 가능성을 유지함을 검증하였다.

실험 결과
저자들은 다양한 물리적 오류율($p \in \{0, 0.0001, 0.001, 0.003\}$) 하에서 제안된 시스템의 성능을 보호되지 않은 4-큐비트 QCNN과 비교 시뮬레이션하였다:

• 무잡음 시뮬레이션(Noiseless Simulation): 보호되지 않은 QCNN은 0.174의 손실값으로 매끄럽게 수렴하였다. 횡단적(오류 정정된) QCNN은 무잡음 조건에서 더 높은 초기 손실 분산과 더 높은 최종 고원(plateau, 0.616)을 보였는데, 이는 횡단적 게이트의 구조적 제약이 안사츠(ansatz)의 표현력을 감소시킨 데 기였다.
• 낮은 노이즈 ($p=0.001$): 보호되지 않은 QCNN은 0.65 근처에서 손실이 정체되며 수렴에 실패하였다. 반면, 횡단적 QCNN은 성공적으로 학습하여 0.348의 최종 손실값으로 내려갔다.
• 높은 노이즈 ($p=0.003$): 두 아키텍처 모두 수렴에 실패하였으며, 손실값이 높게 나타나거나 정체되었다. 저자들은 해당 노이즈 수준이 현재의 유한 차분 기울기(finite-difference gradient) 체계의 훈련 한계를 초과했다고 언급하였다.
• 예측 안정성: 예측값의 바이올린 플롯(violin plots)은 횡단적 QCNN이 보호되지 않은 버전보다 더 높은 분산을 보였지만, 높은 노이즈 수준에서도 더 높은 중앙값 예측 품질을 유지하여 옵티마이저가 보호되지 않은 모델이 실패하는 지점에서 국소 최솟값(local minima)을 식별할 수 있게 함을 보여주었다.

의의 및 주장
본 논문은 제안된 거리-4 BB 코드 기술이 높은 큐비트 오버헤드와 노이즈로 인한 훈련 실패라는 이중적 제한 사항을 해결함으로써 실용적인 QCNN을 향한 중요한 단계라고 주장한다. 본 연구는 저오버헤드 QEC가 보호되지 않은 장치가 할 수 없는 영역에서 QCNN이 수렴하고 학습할 수 있게 함을 입증한다. 그러나 저자들은 현재의 한계에 대해 다음과 같이 겸허한 입장을 취한다:

• BB 코드의 오류 임계값($\sim0.3\%$)은 표면 코드보다 낮아, 매우 높은 노이즈 환경에서의 적용 가능성을 제한한다.
• 현재 구현은 비-클리포드 오류의 최적 교정을 위해 QCNN 변분 파라미터와 완전히 공동 훈련(co-trained)되지 않은 소프트 디코더(FFNN)에 의존하고 있다.
• 저자들은 $p=0.003$과 같은 높은 노이즈율에서 현재의 모델로는 기울기 지형(gradient landscape)이 여전히 너무 어렵다는 점을 인정한다.

본 연구는 향히 연구가 디코더를 QCNN 파라미터와 함께 공동 훈련하는 데 집중해야 하며, 큐비트 수가 증가함에 따라 더 큰 거리를 지원하는 qLDPC 코드를 적용해야 한다고 결론짓는다.