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

기술 요약: 선형 복잡도 디코딩을 위한 논리적 신경 벨리프 프로파게이션 (Logical Neural Belief Propagation)

문제 정의

양자 오류 정정(QEC)은 높은 논리적 정확도를 달면서도 코드 길이에 따라 효율적으로 확장 가능한 디코더를 필요로 합니다. 표면 코드(Surface code)는 높은 오류 임계값과 국소적 연결성 덕분에 확장 가능한 양자 컴퓨팅의 유력한 후보입니다. 그러나 기존 디코더들은 복잡도와 정확도 사이에서 트레이드오프에 직면해 있습니다:

• 최소 가중치 완벽 매칭 (MWPM): 표면 코드를 위한 표준 디코더이지만, 최악의 경우 초선형(superlinear) 복잡도를 가져 확장이 어렵습니다.
• 벨리프 프로파게이션 (BP): 선형 디코딩 복잡도($O(n)$)라는 매력이 있지만, 기존 BP 디코더는 짧은 사이클과 양자 퇴화(quantum degeneracy)로 인해 표면 코드에서 충분한 논리적 정확도에 도달하지 못하는 경우가 많습니다.
• 신경 벨리프 프로파게이션 (NBP): 학습 가능한 가중치를 도입하여 메시지 대칭성을 깨뜨림으로써 BP를 개선합니다. 그러나 단독 NBP는 여전히 제한된 정확도를 보이며 명확한 임계값 동작을 입증하는 데 한계가 있습니다.
• 완전 신경 디코더 (Fully Neural Decoders): Transformer나 CNN과 같은 아키텍처는 높은 정확도를 달 수 있지만, 확장성과 상당한 학습 노력이라는 비용이 따릅니다.

핵심 과제는 MWPM이나 BP-OSD(Ordered-Statistics Decoding)와 같은 더 복잡한 디코더의 높은 논리적 정확도를 달면서도, BP의 선형 복잡도를 유지하는 디코더를 개발하는 것입니다.

방법론: 논리적 신경 벨리프 프로파게이션 (L-NBP)

저자들은 디코딩 목표를 물리적 수준의 디코딩(정확한 물리적 오류 패턴 추정)에서 논리적 수준의 디코딩(오류에 의해 유도된 논리 연산자 예측)으로 전환하는 하이브리드 디코더인 **논리적 신경 벨리프 프로파게이션 (L-NBP)**을 제안합니다.

이 아키텍처는 종단 간(end-to-end, E2E)으로 연결된 두 개의 학습 가능한 단계로 구성됩니다:

1. 신경 BP (NBP) 모듈:
   • 태너 그래프(Tanner graph) 상에서 표준 BP 메시 전달 구조를 사용하여 측정된 하드 신드롬 $s$를 처리합니다.
   • 표준 BP와 달리, 메시를 업데이트하기 위해 학습 가능한 가중치를 사용합니다.
   • 물리적 오류 추정치를 하드하게 출력하는 대신, 각 큐비트에 대한 믿음을 나타내는 사후 로그 가능도 비(Log-Likelihood Ratios, LLRs)를 생성합니다.
2. 논리적 분류기 (Logical Classifier):
   • NBP 모듈의 사후 LLR을 받아 이를 **연속 값 형태의 소프트 신드롬(soft syndrome)**으로 변환합니다. 이는 학습 가능한 가중 합을 사용하여 반복(iteration) 동안 에지별 사후 LLR을 집계하고, 학습 가능한 온도 파라미터를 통해 정규화함으로써 수행됩니다.
   • 이 소프트 신드롬은 단일 은닉층을 가진 경량 다층 퍼셉트론(MLP)에 입력됩니다.
   • MLP는 소프트 신드롬을 단일 논리 큐비트 표면 코드의 네 가지 가능한 논리 연산자 $\{\bar{I}, \bar{X}, \bar{Z}, \bar{Y}\}$를 나타내는 로짓(logit) 벡터로 매핑합니다.

핵심 학습 전략:
전체 시스템은 논리 수준의 교차 엔트로피 손실(cross-entropy loss)을 사용하여 종단 간으로 학습됩니다. 결정적으로, NBP 모듈은 물리적 오류 복구(표준 NBP의 목표)를 최소화하도록 학습되지 않습니다. 대신, 최종 논리 분류 작업에 가장 유익한 정보를 추출하도록 학습됩니다. 이를 통해 NBP 모듈은 근본적인 물리적 오류 패턴을 완벽하게 복구하지 못하더라도, 논리적 추론에 유리한 표현(representation)을 학습할 수 있습니다.

다중 라운드 측정으로의 확장:
이 프레임워크는 페노메놀로지컬(phenomenological) 및 회로 수준 노이즈 모델(신드롬이 노이즈를 포함하며 $R$ 라운드 동안 반복되는 경우)로 확장됩니다.

• NBP 모듈은 신드롬 이력을 처리하기 위해 확장된 안정리자(stabilizer) 행렬 위에서 작동합니다.
• 핵심적인 혁신은 NBP 모듈이 "신드롬 이력 압축기" 역할을 하여, 시간적 정보를 고정된 길이 $m$의 소프트 신드롬으로 집계한다는 점입니다(이는 라운드 수 $R$과는 독립적입니다).
• 결과적으로 논리적 분류기는 단일 라운드 케이스와 구조적으로 동일하게 유지되어, 라운드당 선형 복잡도를 보존합니다.

주요 기여

1. 목표 재설정: 최적화 대상을 물리적 오류 복구에서 논리 연산자 예측으로 전환하는 것이 BP 기반 디코더의 성능을 크게 향상시킨다는 것을 입증했습니다.
2. 종단 간 학습 가능성: 메시 전달 가중치와 논리적 분류기가 공동으로 최적화되는 완전 학습 가능한 파이프라인을 도입하여, BP 모듈이 논리적 분류에 특히 유용한 특징을 학습할 수 있도록 했습니다.
3. 높은 정확도를 갖춘 선형 복잡도: 표준 BP의 $O(n)$ 복잡도 스케일링을 유지하면서 MWPM이나 BP-OSD와 유사하거나 이를 능가하는 성능을 달성했습니다.
4. 회로 수준 노이즈에서의 효율성: L-NBP가 BP-OSD에서 사용하는 거대한 DETECTOR ERROR MODEL(DEM) 대신 컴팩트한 안정리자 행렬을 사용하여, 회로 수준 노이즈에서도 효율적으로 작동함을 보여주었습니다.

결과

저자들은 코드 용량, 페노메놀로지컬, 회로 수준 노이즈 모델 하에서 L-NBP를 평가했습니다:

• 코드 용량 모델 (탈분극 노이즈):

  • 임계값: L-NBP는 **17.5%**의 임계값을 달성하여 MWPM(14.5%), BP-OSD(16.5%), 그리고 QECCT(17.1%) 및 AMBP와 같은 고복잡도 디코더들을 능가했습니다.
  • 정확도: L-NBP는 단독 NBP보다 성능이 훨씬 뛰어나며, BP-OSD 및 MWPM과 대등하거나 이를 상회합니다.
  • 복잡도: 거리 $d=13$에서 L-NBP는 0.89 M FLOPs를 요구하며, 이는 BP-OSD(1.95 M), AMBP(95 M), QECCT(604 M)와 비교됩니다.

• 회로 수준 노이즈:

  • 정확도: 거리 $d=9$에서 L-NBP는 BP-OSD 및 Relay-BP의 정확도와 일치합니다.
  • 복잡도: L-NBP는 BP-OSD 복잡도의 0.2%, Relay-BP 복의 **0.06%**만을 요구합니다. 이는 L-NBP가 BP-OSD에 필요한 거대한 DEM 행렬($720 \times 12750$) 대신 컴팩트한 확장 안정리자 행렬($720 \times 1530$ for $d=9$)에서 작동하기 때문입니다.
  • 확장성: BP-OSD의 복잡도가 $O(n^3)$(코드 용량) 또는 $O(n^4)$(페노메놀로지컬)로 증가하는 반면, L-NBP는 라운드당 선형 $O(n)$ 스케일링을 유지합니다.

의의

본 논문은 L-NBP가 표면 코드의 디코딩 복잡도와 정확도 사이의 오랜 트레이드오프를 해결한다고 주장합니다. 양자 오류 정정의 고유한 특성, 즉 정확한 물리적 오류를 식별하지 못하더라도 논리 연산자를 복구하는 것만으로 충분하다는 점을 활용함으로써, 저자들은 BP 기반 디코더가 성능을 희생하지 않고도 효율적으로 확장될 수 있음을 입증했습니다.

이 결과는 BP, 신경 가중치, 그리고 논리 수준 디코딩을 결합하는 것이 확장 가능(선형 복잡도)하면서도 매우 정확한(우수한 임계값) 새로운 클래스의 디코더를 가능하게 한다는 것을 시사합니다. 이 접근 방식은 현재의 최첨단 디코더(MWPM 또는 BP-OSD와 같은)의 계산 오버헤드가 과도할 수 있는 대규모 양자 시스템을 위한 실시간 디코딩의 실질적인 경로를 제공합니다.