Fast and accurate AI-based pre-decoders for color codes

Resumo Técnico: Pré-decodificadores Baseados em IA Rápidos e Precisos para Códigos de Cores

Definição do Problema
Embora os códigos de cores ofereçam vantagens distintas sobre os códigos de superfície para a computação quântica tolerante a falhas universal — especificamente protocolos de cirurgia de rede mais simples e implementações transversais de portas de Clifford lógicas — seu implantação prática tem sido dificultada por dois fatores primários: algoritmos de decodificação mais lentos e taxas de falha lógica (LERs) mais altas em comparação com os códigos de superfície. Os decodificadores de código de cores de última geração, como o Chromobius (baseado em Emparelhamento Perfeito de Peso Mínimo - MWPM), são geralmente mais lentos que os decodificadores usados para códigos de superfície (por exemplo, Union-Find ou MWPM) e lutam para atender aos requisitos de latência em tempo real (aproximando-se de 1µs por rodada de síndrome) necessários para hardware supercondutor de larga escala. Além disso, os decodificadores de inversão lógica baseados em IA existentes (por exemplo, AlphaQubit 2) carecem de um framework claro para integração nos esquemas de decodificação paralela por blocos exigidos para computações de cirurgia de rede em larga escala, pois eles tipicamente inferem valores de observáveis lógicos em vez das correções físicas espaciais e temporais necessárias para resolver resíduos de síndrome nas regiões de limpeza.

Metodologia
Os autores propõem uma arquitetura de pré-decodificador baseado em IA projetada especificamente para códigos de cores triangulares para abordar esses gargalos. A metodologia central envolve um pipeline de decodificação de dois estágios:

1. Pré-decodificação Local: Uma rede neural processa os dados de síndrome para aplicar correções locais espaciais (qubit físico) e temporais (medição de estabilizador). Este passo é probabilístico e local, o que significa que não resolve todo o volume de decodificação, mas reduz significativamente a densidade de síndromes residuais.
2. Decodificação Global: As síndromes processadas são passadas para um decodificador global (Chromobius neste trabalho), que resolve os erros restantes. Como o pré-decodificador esparsa a densidade de síndrome, o decodificador global opera de forma mais eficiente.

Componentes Técnicos Principais:

• Arquitetura de Rede Neural: Os autores utilizam redes neurais totalmente convolucionais (convoluções 3D) e uma arquitetura alternativa empregando blocos de Gargalo (Bottleneck blocks) (adaptados de designs estilo ResNet). A arquitetura de Gargalo (Modelo B) alcança LERs mais baixas com menos parâmetros em comparação com as redes totalmente convolucionais padrão, embora com um custo de tempo de execução ligeiramente superior.
• Mapeamento de Grade: Uma técnica de mapeamento inovadora traduz a rede de código de cores triangular e seus estabilizadores de peso-4 e peso-6 para uma grade retangular adequada para processamento convolucional. Isso inclui a codificação de informações geométricas (volume vs. borda) e o tratamento das condições de contorno específicas da rede triangular.
• Processamento de Dados e Treinamento:
  • Tratamento de Feedforward: Os circuitos de extração de síndrome contêm operações de feedforward que podem criar diferenças artificiais de erro do tipo X. Os autores introduzem um protocolo específico de propagação de erro (Algoritmo 3) e regras de decomposição de erro Y (Tabela I) para eliminar essas diferenças artificiais durante a geração de dados de treinamento.
  • Equivalência Homológica: Para melhorar a estabilidade e o desempenho do treinamento, os autores implementam um protocolo de equivalência homológica espacial. Isso envolve a aplicação de regras de redução de peso e correção de equivalência (por exemplo, fixEquivalenceX) aos dados de saída rotulados (trainY) para garantir que a rede aprenda as correções de erro mais eficientes.
  • Rotulagem Temporal: Algoritmos são usados para rotular corretamente falhas temporais (erros de medição) ao propagar erros através do circuito e computar diferenças de síndrome, garantindo que a rede apreza a distinguir entre falhas espaciais e temporais.

Principais Resultados
Os autores demonstram que o pipeline pré-decodificador + Chromobius supera significativamente a decodificação standalone do Chromobius em várias distâncias de código ($d$) e taxas de erro físico ($p$):

• Redução da Taxa de Erro Lógico (LER): O pipeline alcança reduções substanciais de LER que escalam favoravelmente com a distância do código. Em uma distância de código de $d=31$ e taxa de erro físico de $p=0,3\%$, o pipeline reduz a LER em um fator de 347x em comparação ao Chromos de forma bruta.
• Melhoria no Tempo de Execução: O pipeline também reduz o tempo total de execução da decodificação. Em $d=31$ e $p=0,3\%$, o tempo de execução é reduzido em um fator de 7,33x. Isso é atribuído à capacidade do pré-decodificador de esparsar a densidade de síndrome, que é o principal fator que determina o tempo de execução do Chromobius.
• Escalabilidade: As melhorias tornam-se mais pronunciadas conforme a distância do código aumenta. Por exemplo, em uma distância de código de $d=13$, o pipeline pré-decodificador + Chromobius alcança uma LER menor que o Chromobius bruto em $d=31$, permitindo efetivamente um desempenho lógico superior com significativamente menos qubits físicos.
• Redução da Densidade de Síndrome (SDR): Os pré-decodificadores alcançam fatores de SDR superiores a dois ordens de magnitude para $p \lesssim 0,1\%$, cancelando efetivamente mais de 99% das síndromes antes que o decodificador global as processe.
• Desempenho do Modelo: O Modelo B (arquitetura de Gargalo) forneceu as melhores melhorias de LER, enquanto o Modelo 1 (totalmente convolucional) ofereceu os tempos de inferência mais rápidos. Todos os modelos mostraram que o pipeline combinado melhora tanto o LER quanto o tempo de execução simultaneamente para distâncias de código $d \geq 13$ (em $p=0,1\%$) e $d \geq 9$ (em $p=0,3\%$).

Significância e Alegações
O artigo afirma que a pré-decodificação baseada em IA oferece uma solução escalável para os desafios de decodificação dos códigos de cores. Por ser local e probabilística, os pré-decodificadores são naturalmente compatíveis com os esquemas de decodificação paralela por blocos exigidos para a cirurgia de rede em larga escala, uma limitação dos decodificadores de classificação lógica anteriores.

Os autores concluem que esta abordagem reduz substancialmente a lacuna de desempenho entre códigos de cores e códigos de superfície. Embora os códigos de superfície possam ainda reter uma vantagem em benchmarks de memória quântica pura em termos de overhead de qubits, a combinação da pré-decodificação por IA com as vantagens de portas transversais dos códigos de cores aproxima os códigos de cores da computação quântica tolerante a falhas, universal e de larga escala prática. O trabalho fornece um framework para integrar IA em pipelines de decodificação em tempo real, demonstrando que essa integração pode resultar em tempos de execução mais rápidos e maior precisão, abordando as restrições críticas de latência e confiabilidade do futuro hardware quântico.