Adaptive decoding of quantum LDPC codes through decoder disagreement

Quantumcomputers beloven problemen op te lossen die momenteel onmogelijk zijn voor klassieke machines, van het ontwerpen van nieuwe medicijnen tot het kraken van complexe encryptie. Echter, deze machines zijn uiterst fragiel. De quantumbits, of qubits, die informatie opslaan, worden gemakkelijk verstoord door de kleinste warmte, trilling of elektromagnetische ruis, waardoor ze hun data verliezen. Om een bruikbare quantumcomputer te bouwen, moeten wetenschappers een systeem bouwen dat fouten kan detecteren en herstellen sneller dan ze optreden, een proces dat bekend staat als fouttolerantie. Dit vereist een constante stroom van klassieke computers om de quantummachine te monitoren, de foutsignalen te lezen en correcties in realtime te berekenen. Als de klassieke computer de snelheid van de quantummachine niet kan bijhouden, loopt het hele systeem vast.

De uitdaging is dat de meest krachtige foutcorrectiecodes, die de meeste data beschermen, ook de meest rekenintensieve decoders zijn. Ze vereisen dat een klassieke computer een enorme hoeveelheid zoekwerk verricht om de juiste oplossing te vinden voor elk enkel foutpatroon dat het ziet. Jarenlang was de standaardaanpak om elk foutpatroon op dezelfde manier te behandelen, waarbij dezelfde zware zoektocht werd toegepast op elk patroon, ongeacht of het een eenvoudige fout of een complex puzzelstukje was. Dit garandeert nauwkeurigheid, maar verspilt enorme hoeveelheden rekenkracht aan de gemakkelijke gevallen. Een nieuwe studie door onderzoekers van University College London suggereert een slimmere manier: in plaats van elke fout hetzelfde te behandelen, kan de decoder naar zijn eigen initiële gok kijken en ter plekke beslissen welke fouten daadwerkelijk de zware arbeid nodig hebben.

De onderzoekers concentreerden zich op een specif kind van quantumfoutcorrectiecode genaand een low-density parity-check code. In deze systemen produceert de quantummachine een reeks data genaamd een syndroom, wat fungeert als een kaart van waar fouten zich mogelijk hebben voorgedaan. Om de fouten te herstellen, voert een klassieke decoder eerst een snel, probabilistisch algoritme uit dat een snelle gok doet over het meest waarschijnlijke foutpatroon. Vervolgens voert het een tweede, algebraïsche stap uit die de gok dwingt om perfect aan de regels van de code te voldoen. In de traditionele methode zou de decoder vervolgens een diepe, uitputtende zoektocht starten om de absolute beste correctie voor elke enkele poging te vinden, een proces dat veel tijd kost. De nieuwe studie stelt een andere vraag: hoeveel van die diepe zoektocht is voor elk specifiek geval eigenlijk noodzakelijk?

Het team ontdekte dat het antwoord ligt in de onenigheid tussen de twee initiële stappen. De snelle probabilistische gok en de algebraïsche correctie komen bij eenvoudige fouten vaak perfect overeen. Echter, wanneer de fout moeilijk is, produceren de twee methoden verschillende antwoorden. De onderzoekers ontdekten dat het aantal plaatsen waar deze twee antwoorden van elkaar verschillen, dient als een perfect intern waarschuwingssignaal. Een grote onenigheid betekent dat de fout complex is en de snelle gok waarschijnlijk foutief is, terwijl een kleine onenigheid betekent dat de fout eenvoudig is en de snelle gok waarschijnlijk juist is. Door deze onenigheid te meten, kan de decoder direct identificeren welke specifieke foutpatronen riskant zijn en welke veilig zijn.

Met dit inzicht in gedachten bouwde het team een adaptieve decoder die het werk anders routeert. In plaats van de dure diepe zoektocht op elke fout uit te voeren, voert het systeem eerst de snelle, tweestapscontrole uit. Als de twee stappen overeenstemmen of slechts licht van mening verschillen, accepteert het systeem het snelle antwoord en gaat het verder. Als de onenigheid groot is, wat wijst op een risicovolle fout, escaleert het systeem die specifieke casus naar de diepe zoektocht. De onderzoekers testten dit op verschillende verschillende soorten quantumcodes, waaronder een complexe code met 144 dataqubits. Ze ontdekten dat door de diepe zoektocht alleen toe te passen op de bovenste 20 procent van de moeilijkste gevallen, het systeem bijna de volledige verbetering in nauwkeurigheid herstelde die een volledige, uitputtende zoektocht zou bieden.

De resultaten lieten een dramatische vermindering van de kosten zien. Op de 144-qubit code verminderde deze selectieve aanpak de gemiddelde tijd die nodig was om elke fout te decoderen met een factor 3,6 vergeleken met het toepassen van de diepe zoektocht op elk geval. Het systeem werd veel sneller zonder het vermogen om fouten te corrigeren op te offeren. De onderzoekers testten deze methode ook op een ander type code met een afwijkende structuur, en hetzelfde patroon hield stand: het onenigheidssignaal identificeerde de moeilijke gevallen succesvol, en het richten van de extra inspanning op deze gevallen leverde bijna alle beschikbare winst in nauwkeurigheid op. Dit suggereert dat het voordeel van diep zoeken niet gelijkmatig verdeeld is over alle fouten, maar geconcentreerd is in een kleine subset van moeilijke instanties die de decoder onmiddellijk kan herkennen.

Om te waarborgen dat dit niet slechts een resultaat was van computersimulaties, voerde het team een experiment in de echte wereld uit op een trapped-ion quantumprocessor gemaakt door Quantinuum. Ze gebruikten een kleine versie van de code op de eigenlijke hardware, die onderhevig is aan echte wereldruis die vaak rommeliger en minder voorspelbaar is dan de modellen die in simulaties worden gebruikt. Zelfs op dit fysieke apparaat bleef het onenigheidssignaal een betrouwbare voorspeller. Het systeem kon nog steeds onderscheid maken tussen eenvoudige en moeilijke fouten, wat bewees dat de methode buiten een theoretisch model werkt. Echter, het experiment benadrukte ook een cruciale beperking: weten welke fouten riskant zijn, is slechts de helft van de strijd. In de hardwaretest had de diepe zoektocht heel weinig te herstellen omdat de code zelf te klein was om de fouten effectief te corrigeren. Dit bevestigde dat de methode het best werkt wanneer er zowel een duidelijk signaal is om de problemen te identificeren als genoeg kracht in de diepe zoektocht om ze daadwerkelijk op te lossen.

De studie concludeert dat de klassieke computer niet blind hoeft te gokken over hoeveel werk hij moet doen. De decoder bevat al de informatie die nodig is om die beslissing te nemen. Door te letten op het moment waarop de eigen interne schattingen uiteenlopen, kan het systeem de rekenkracht precies daar concentreren waar deze het hardst nodig is. Deze aanpak stelt de klassieke computer in staat om het tempo van de quantummachine bij te houden en de vloedgolf aan foutdata efficiënt te verwerken. Het transformeert het decodeerproces van een brute-force slog naar een gerichte inspanning, waardoor wordt gewaarborgd dat de dure middelen alleen worden besteed aan de fouten die ze werkelijk vereisen. Deze balans tussen snelheid en nauwkeurigheid is een cruciale stap naar het praktisch realiteit maken van grootschalige, fouttolerante quantumcomputing.