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

Technische Samenvatting van MDQEC-QAS

Probleemstelling
Quantumfoutcorrectie (QEC) vereist decoders die klassieke syndroommetingen vertalen naar hersteloperaties om logische informatie te behouden. Traditionele decoders zijn vaak gespecialiseerd voor specifieke codemodellen of ruismodellen, wat hun aanpasbaarheid beperkt. Hoewel machine learning (ML) geleerde decoders heeft geïntroduceerd, blijven de meeste beperkt tot vaste code-/ruisregimes. Bovendien bestaat er een kritische kloof tussen teacher-label nauwkeurigheid (het voorspellen van de juiste herstelstring) en prestaties op logisch niveau (het voorkomen van logische fouten), met name voor grote topologische codes waar zeldzame voorspellingsfouten catastrofaal kunnen zijn. Daarnaast wordt de inzet van Variational Quantum Circuits (VQCs) voor decodering gehinderd door het gebrek aan systematische methoden om architecturen te selecteren die een balans vinden tussen voorspellende kwaliteit en hardwarebeperkingen (qubit-aantal, diepte, gate-aantal).

Methodologie
De auteurs stellen MDQEC-QAS voor, een verenigd meta-decoding framework dat syndroom-naar-herstel mapping leert over meerdere stabilizer-codes en ruisinstellingen met behulp van één enkel gedeeld model. Het framework bestaat uit vier geïntegreerde componenten:

1. Meta-Dataset Constructie: Een gepoolde dataset wordt gegenereerd uit vier codes (FiveQubit, Steane, Planar3×3, Planar5×5) en vier ruisfamilies (depolariserend, Z-gebiased, gecorreleerde Z-burst, en depolariserend met syndroomflips). De data wordt gegenereerd bij fysieke foutpercentages $p \in \{0.03, 0.05, 0.07\}$. Syndromen en herstelstrings worden gepadded naar globale dimensies en gemapt naar een verenigde labelruimte geconditioneerd op code- en ruisidentificatoren.
2. Meta-Decoder Training: Twee modeltypen worden getraind op tupels $(s, c, \eta, p) \to y$:
   • Meta-MLP: Een klassieke multilayer perceptron baseline.
   • Meta-VQC: Een hybride variationele kwantumclassifier waarbij de input wordt geprojecteerd naar een qubit-dimensie, wordt ingebed via angle encoding, wordt verwerkt door trainbare lagen met entangling gates, en wordt gemeten via Pauli-Z verwachtingswaarden.
   • Training maakt gebruik van een gewogen cross-entropy loss om moeilijkere regimes (bijv. Planar5×5) te prioriteren en code-label masking om cross-code voorspelling te voorkomen.
3. Hardware-Aware Quantum Architecture Search (QAS): In plaats van een VQC-architectuur vast te leggen, voert de auteur een zoektocht uit naar het aantal qubits ($n_q \in \{4,5,6\}$), de circuitdiepte ($L \in \{1,2\}$) en de entangling topologie (keten, ring, volledig). Architecturen worden geëvalueerd met een score die de validatienauwkeurigheid balanceert met hardwarekosten-proxies (ruwe/getranspileerde diepte en twee-qubit gate-aantallen).
4. Confidence-Gated Hybrid Recovery: Om de gevoeligheid van grote topologische codes voor voorspellingsfouten aan te pakken, wordt een fallback-mechanisme geïntroduceerd. Als de voorspellingszekerheid van de geleerde decoder een drempelwaarde ($\tau$) overschrijdt, wordt de output gebruikt; anders valt het systeem terug op een code-gepaste "teacher" decoder.

Evaluatie-regimes
Het framework wordt geëvalueerd over vijf transfer-instellingen:

• Interpolatie: Alle codes en ruistypes zijn gezien tijdens de training.
• Unseen-$p$ Transfer: Testen op fysieke foutpercentages die niet in de training zijn gezien.
• Unseen-Noise Transfer: Testen op een ruisfamilie die niet in de training is gezien.
• Few-Shot Unseen-Code Adaptatie: Testen op een uitgesloten code (Planar5×5) met slechts 5% van de data in de trainingsset.
• Few-Shot Held-Out-Size Adaptatie: Testen op een codegrootte die niet in de training is gezien.

Belangrijkste Resultaten

• Teacher-Label Nauwkeurigheid: De Meta-MLP bereikt een hoge nauwkeurigheid in alle regimes (bijv. 0.9993 in interpolatie, 0.9118 in unseen-$p$). VQCs geselecteerd via hardware-aware zoektochten presteren competitief en presteren vaak beter dan nauwkeurigheid-geselecteerde VQCs in transfer-settings (bijv. 0.8495 vs. 0.8397 in unseen-$p$), hoewel ze over het algemeen achterlopen op de Meta-MLP.
• Transfer Hiërarchie: Generalisatie over ruisparameters ($p$ en ruisfamilie) is aanzienlijk gemakkelijker dan generalisatie over codestructuren (onbekende code of codegrootte). Few-shot adaptatie aan een onbekende codestructuur resulteert in de meest significante prestatiedegradatie.
• Prestaties op Logisch Niveau: Een hoge teacher-label nauwkeurigheid garandeert geen lage logische foutratio's, vooral niet voor Planar5×5. In het interpolatie-regime waren de ruwe logische foutratio's ten opzichte van de teacher 12.08 (Meta-MLP) en 25.91 (VQC).
• Impact van Confidence Gating: Het toepassen van het confidence-gated fallback-mechanisme vermindert de logische foutratio's voor Planar5×5 drastisch tot 1.71 (Meta-MLP) en 1.11 (VQC), wat aantoont dat selectieve herstel op basis van zekerheid effectiever is dan onvoorwaardelijke vervanging van de teacher.

Betekenis en Claims
De paper claimt dat de primaire bijdrage niet het geïsoleerde gebruik van neurale of kwantumdecoders is, maar de integratie van multi-code meta-decoding, transfer evaluatie, hardware-aware VQC zoektocht, en confidence-gated hybrid recovery in één enkel reproduceerbaar framework.

Belangrijke bevindingen benadrukt door de auteurs zijn:

1. Structurele Transfer Moeilijkheid: Het aanpassen aan nieuwe codestructuren of -groottes is aanzienlijk moeilijker dan het aanpassen aan nieuwe ruisverdelingen.
2. Hardware-Aware Selectie: Kostenbewuste VQC-selectie kan architecturen opleveren die competitief blijven met nauwkeurigheid-geselecteerde circuits, met name in transfer-scenario's.
3. Betrouwbaarheid vs. Nauwkeurigheid: Voor grote topologische codes is ruwe gesuperviseerde nauwkeurigheid onvoldoende als betrouwbaarheidsmetriek. Mechanismen gebaseerd op zekerheid zijn noodzakelijk om de kloof tussen geleerde voorspellingen en logische betrouwbaarheid te overbruggen.
4. Hybride Herstel: Het systeem functioneert het best als een "geleerd-ondersteund" herstelsysteem waarbij het geleerde model fungeert als een router die onzekere gevallen delegeert aan een robuuste teacher, in plaats van als een zelfstandige vervanging voor traditionele decoders.