Machine Learning Decoding of Circuit-Level Noise for Bivariate Bicycle Codes

Resumo Técnico: Decodificação por Aprendizado de Máquina de Ruído em Nível de Circuito para Códigos Bivariate Bicycle

Definição do Problema
A computação quântica tolerante a falhas depende de decodificadores clássicos para interpretar medições de síndrome e inferir erros. Embora os decodificadores de Aprendizado de Máquina (ML) tenham mostrado promessa para o código de superfície, sua aplicação para códigos QLDPC (Quantum Low-Density Parity-Check) permanece pouco explorada, particularmente para o ruído em nível de circuito. O ruído em nível de circuito é mais complexo do que o ruído de capacidade de código, pois inclui medições defeituosas e propagação de erros, fazendo com que o espaço de entrada cresça exponencialmente com o número de rodadas de síndrome. Além disso, os códigos QLDPC carecem da estrutura de estabilizador local do código de superfície, tornando inaplicáveis as abordagens padrão de convolução ou de decodificador local. Os benchmarks existentes, como o Belief Propagation com Ordered Statistics Decoding (BP-OSD), são eficazes, mas sofrem de alta variância no tempo de execução e complexidade de pior caso cúbica, o que representa um desafio para a decodificação em tempo real.

Metodologia
Os autores propõem uma rede neural recorrente baseada em Transformer, projetada para decodificar ruído em nível de circuito em códigos Bivariate Bicycle (BB). O modelo visa aproximar um decodificador de máxima verossimilhança ao prever a probabilidade de inversões lógicas de medição (erros que anticomutam com operadores lógicos) em vez de reconstruir o erro completo do circuito.

Principais inovações arquiteturais e de treinamento incluem:

1. Autoatenção Consciente do Código (Code-Aware Self-Attention): Para abordar a falta de estrutura local nos códigos QLDPC, os autores adaptam a autoatenção consciente do código (originalmente para códigos clássicos). Este mecanismo restringe os pesos de atenção entre os bits de síndrome com base na estrutura do grafo de Tanner, considerando especificamente detectores dentro de uma distância de dois. Isso serve como um viés indutivo para acelerar o treinamento e melhorar a robustez.
2. Arquitetura Recorrente: O modelo emprega uma estrutura recorrente para processar rodadas de medição de síndrome sequencialmente. Isso reduz o tamanho da entrada por iteração, melhorando a treinabilidade em comparação ao processamento de todas as rodadas simultaneamente.
3. Saída de Probabilidade Condicional: Em vez de fornecer um conjunto fixo de classes de erro (o que seria exponencial no número de qubits lógicos), o modelo fornece uma distribuição de probabilidade condicional. Ele utiliza predição autorregressiva para determinar se ocorreram erros lógicos específicos.
4. Treinamento em Múltiplas Etapas com Predições no Espaço Latente: O treinamento direto no ruído de nível de circuito provou ser difícil. Os autores utilizam um protocolo de treinamento em múltiplas etapas inspirado no "prompt de cadeia de pensamento" (chain of thought). Inicialmente, o modelo é treinado para prever inversões lógicas de medição intermediárias após cada rodada. Gradualmente, o treinamento muda para predições no espaço latente para rodadas intermediárias, onde o modelo produz representações internas sem se comprometer com uma correção de erro final até a rodada de síndrome final. Isso evita que o modelo tome decisões prematuras com dados insuficientes.

Configuração Experimental
O estudo avalia o modelo em duas instâncias de código BB:

• Código [[72, 12, 6]] BB: Um código menor com 12 qubits lógicos.
• Código [[144, 12, 12]] BB: Um código maior com 12 qubits lógicos.

O desempenho é medido contra uma implementação padrão de BP-OSD (usando OSD de terceira ordem para taxas de erro e ordem zero para benchmarks de tempo de execução) e um decodificador de Programação Inteira (IP) (um decodificador de erro de maior verossimilhança). Os experimentos simulam experimentos de memória com ruído depolarizante de nível de circuito, variando a taxa de erro físico ($p$) e o número de rodadas de medição de síndrome ruidosas ($NR$).

Resultos Principais

• Código [[72, 12, 6]]:

  • Taxa de Erro Lógico: Para uma taxa de erro físico de $p = 0,1\%$, o decodificador de ML atinge uma taxa de erro lógico aproximadamente 5 vezes menor que o BP-OSD-3. No entanto, permanece cerca de 5 vezes maior que o decodificador IP ideal.
  • Tempo de Execução: O decodificador de ML exibe um tempo de execução consistente, enquanto o BP-OSD mostra uma ampla distribuição com outliers significativos. O modelo de ML é aproximadamente uma ordem de magnitude mais rápido que as instâncias de pior caso do BP-OSD.
  • Generalização: O modelo, treinado em $p=0,6\%$, generaliza bem para taxas de erro mais baixas.
  • Escalabilidade: O desempenho do modelo melhora significativamente conforme o número de rodadas de síndrome ($NR$) aumenta, mostrando melhor supressão de erro por rodada em comparação ao BP-OSD.

• Código [[144, 12, 12]]:

  • Taxa de Erro Lógico: O decodificador de ML apresenta desempenho comparável ao BP-OSD-3 para taxas de erro físico entre $0,3\%$ e $0,7\%$. Contudo, para $p < 0,3\%$, a taxa de erro lógico do decodificador de ML degrada-se significativamente (aproximadamente 7 vezes pior que o BP-OSD em $p=0,1\%$), sugerindo que a arquitetura atual tem dificuldade em escalar para distâncias de código maiores.
  • Tempo de Execução: A vantagem de velocidade sobre o BP-OSD é mantida.

Significância e Alegações
O artigo apresenta evidências iniciais de que decodificadores de aprendizado de máquina podem superar decodificadores convencionais (especificamente o BP-OSD) em pequenos códigos QLDPC tanto em termos de taxa de erro lógico quanto de consistência de tempo de execução de pior caso. Os autores alegam que seu trabalho fornece uma base para futuros decodificadores de ML em QLDPC.

No entanto, os autores são modestos quanto à escalabilidade de sua abordagem atual. Eles afirmam explicitamente que os resultados sugerem que arquiteturas e/ou procedimentos de treinamento mais complexos são necessários para alcançar as taxas de erro lógico desejadas em tamanhos de código maiores. O artigo não alega que o modelo atual resolve o problema de decodificação para QLDPC de larga escala, mas sim demonstra a viabilidade da abordagem e identifica áreas específicas (como escalabilidade de arquitetura e densidade de dados de treinamento em baixas taxas de erro) onde trabalhos futuros são necessários. Os autores também observam que, embora seu decodificador seja suficiente para Computação Baseada em Pauli (PBC) via inversões lógicas de medição, a decodificação em tempo real para grandes computações exigirá desenvolvimentos adicionais, como estratégias de decodificação de janela paralela.