Neural network decoder confidence as a learned proxy for the logical gap

Resumo Técnico: A Confiança do Decodificador de Rede Neural como um Proxy Aprendido para o Gap Lógico

Definição do Problema
Na correção de erros quânticos, os decodificadores devem inferir o setor lógico a partir de síndromes medidas. Embora o Minimum-Weight Perfect Matching (MWPM) seja um algoritmo de decodificação padrão, ele também fornece uma medida de confiança "suave" conhecida como o gap complementar (ou lógico). Este gap, definido como a diferença de peso entre a correção de peso mínimo no setor lógico previsto e o setor complementar, é utilizado para pós-seleção: descartar execuções de baixa confiança para reduzir a taxa de erro lógico (LER).

Decodificadores de redes neurais (NN), particularmente Redes Neurais em Grafos (GNNs), demonstraram uma precisão de decisão rígida (hard-decision) superior ao MWPM. No entanto, ao contrário do MWPM, as decodificadores de NN não possuem inerentemente uma métrica de confiança interpretável derivada de um objetivo de otimização explícito (como um grafo de correspondência). Permanece uma questão em aberto se o logit bruto (saída bruta) de uma NN treinada pode servir como um proxy confiável para o gap lógico, permitindo uma pós-seleção eficaz sem a necessidade de construir setores lógicos concorrentes ou modelos de erro explícitos.

Metodologia
Os autores avaliam um decodificador GNN pré-treinado (introduzido na Ref. [1]) contra um decodificador MWPM padrão no código de superfície rotacionado sob ruído de nível de circuito uniforme.

• Entrada e Arquitetura: A GNN recebe como entrada um grafo de eventos de detecção, onde os nós são anotados com coordenadas espaço-temporais e tipos de estabilizador (X ou Z). Os pesos das arestas baseiam-se na distância euclidiana. A rede processa isso através de camadas de convolução de grafos e uma operação de agrupamento global (global pooling) para produzir um único escalar logit ($z(s)$) para a observável lógica.
• Métricas de Confiança:
  • MWPM: O gap assinado é definido como $g_{MWPM} = \omega(l_{wrong}) - \omega(l_{correct})$, onde $\omega$ é a soma dos pesos das arestas ($\ln((1-p_e)/p_e)$).
  • GNN: A pontuação de confiança é o módulo do logit pré-sigmoide, $g_{GNN} = |z(s)|$. O sinal é atribuído retrospectivamente com base no resultado lógico conhecido para fins de análise (positivo para acerto, negativo para falha).
• Avaliação: Ambos os decodificadores são testados nos mesmos síndromes amostrados. O estudo analisa três propriedades:
  1. Ranking: A capacidade de ordenar as execuções (shots) por confiabilidade via curvas de pós-seleção (LER vs. taxa de aceitação $\kappa$).
  2. Distribuição: A forma das distribuições de confiança assinada.
  3. Calibração: O quão bem a magnitude da confiança prevê a probabilidade condicional de falha lógica, modelada por $P(\text{erro}|g) = 1 / (1 + 10^{\alpha g/10})$, onde $\alpha=1$ representa a razão de log-verossimilhança posterior ideal.

Principais Contribuições e Resultados

1. Desempenho Superior de Pós-Seleção: Em uma taxa de aceitação fixa, a pós-seleção baseada no logit da GNN produz uma taxa de erro lógico menor do que a pós-seleção baseada no gap do MWPM. Isso se mantém em várias distâncias de código ($d=5, 7, 9$) e taxas de erro físico. A GNN retém efetivamente mais execuções confiáveis sem exigir uma taxa de descarte maior.
2. Estrutura de Distribuição Semelhante ao Gap: A distribuição de confiança assinada da GNN assemelha-se ao gap do MWPM em valores baixos e intermediários. No entanto, no regime de alta confiança, a GNN atribui significativamente maior confiança às execuções decodificadas corretamente sem um aumento correspondente em falhas de alta confiança. Essa assimetria permite que a GNN eleve o limiar de aceitação, impulsionando a melhoria da LER.
3. Calibração Quantitativa: A magnitude da confiança da GNN segue a relação esperada entre confiança e probabilidade de falha de forma mais próxima do que o gap do MWPM.
   • Um ajuste de calibração agrupado (pooled) em todas as configurações simuladas produz uma inclinação $\alpha = 0,93$ para a GNN, comparado a $\alpha = 0,82$ para o MWPM.
   • Como a razão de log-verossimilhança posterior ideal corresponde a $\alpha = 1$, a GNN fornece uma estimativa quantitativa mais fiel da confiabilidade lógica, apesar de ter sido treinada apenas em síndromes e rótulos lógicos, sem conhecimento explícito dos pesos do modelo de erro do detector (DEM).

Significância e Alegações
O artigo afirma que um decodificador de rede neural treinado apenas em síndromes e rótulos lógicos pode aprender um escore de informação suave que atua como um proxy prático para o gap lógico. Esta descoberta é significativa porque:

• Generalização: Sugere um caminho para a pós-seleção do tipo gap em cenários onde saídas suaves derivadas de MWPM não estão disponíveis, são computacionalmente caras ou difíceis de definir, como em códigos qLDPC gerais onde o número de setores lógicos cresce exponencialmente ($4^k$).
• Eficiência: Ao contrário do MWPM, que requer a comparação de correções de peso mínimo entre setores concorrentes para calcular um gap, a GNN fornece uma pontuação de confiança em uma única passagem direta (forward pass).
• Capacidade de Aprendizado: Os resultados demonstram que as NNs podem aprender não apenas a minimizar erros de decisão rígida, mas também internalizar uma escala de confiança quantitativa que aproxima a razão de log-verossimilhança posterior ideal, mesmo sem restrições explícitas do objetivo de correspondência.

Os autores mantêm uma postura modesta, observando que, embora o logit da GNN careça da interpretação a priori de um gap lógico, ele exibe empiricamente as propriedades necessárias (ranking e calibração) para funcionar efetivamente como um deles em protocolos de pós-seleção.