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

Resumo Técnico de MDQEC-QAS

Definição do Problema
A correção de erros quânticos (QEC) requer decodificadores que traduzam medições de síndrome clássicas em operações de recuperação para preservar a informação lógica. Decodificadores tradicionais são frequentemente especializados para famílias de códigos ou modelos de ruído específicos, o que limita sua adaptabilidade. Embora o aprendizado de máquina (ML) tenha introduzido decodificadores aprendidos, a maioria permanece confinada a regimes fixos de código/ruído. Além disso, existe uma lacuna crítica entre a acurácia da etiqueta do professor (prever a string de recuperação correta) e o desempenho ao nível lógico (prevenir falhas lógicas), particularmente para códigos topológicos grandes, onde erros de previsão raros podem ser catastróficos. Adicionalmente, a implementação de Circuitos Quânticos Variacionais (VQCs) para decodificação é dificultada pela falta de métodos sistemáticos para selecionar arquiteturas que equilibrem a qualidade preditiva com restrições de hardware (contagem de qubits, profundidade, contagem de portas).

Metodologia
Os autores propõem o MDQEC-QAS, um framework de meta-decodificação unificado que aprende mapeamentos de síndrome-para-recuperação através de múltiplos códigos estabilizadores e configurações de ruído usando um único modelo compartilhado. O framework consiste em quatro componentes integrados:

1. Construção de Meta-Dataset: Um dataset agrupado é gerado a partir de quatro códigos (FiveQubit, Steane, Planar3×3, Planar5×5) e quatro famílias de ruído (depolarização, viés de Z, surto correlacionado de Z e depolarização com inversões de síndrome). Os dados são gerados em taxas de erro físico $p \in \{0.03, 0.05, 0.07\}$. As síndromes e as strings de recuperação são preenchidas (padded) para dimensões globais e mapeadas para um espaço de etiquetas unificado condicionado por identificadores de código e ruído.
2. Treinamento de Meta-Decodificador: Dois tipos de modelos são treinados em tuplas $(s, c, \eta, p) \to y$:
   • Meta-MLP: Um perceptron multicamadas clássico de linha de base (baseline).
   • Meta-VQC: Um classificador quântico híbrido variacional onde a entrada é projetada para uma dimensão de qubit, codificada por ângulo (angle encoding), processada através de camadas treináveis com portas de emaranhamento e medida via expectativas de Pauli-Z.
   • O treinamento utiliza uma perda de entropia cruzada ponderada para priorizar regimes mais difíceis (ex: Planar5×5) e mascaramento de etiqueta de código para evitar a previsão cruzada de códigos.
3. Busca de Arquitetura Quântica (QAS) Consciente de Hardware: Em vez de fixar uma arquitetura de VQC, os autores realizam uma busca sobre a contagem de qubits ($n_q \in \{4,5,6\}$), profundidade de circuito ($L \in \{1,2\}$) e topologia de emaranhamento (cadeia, anel, completo). As arquiteturas são avaliadas usando uma pontuação que equilibra a acurácia de validação contra proxies de custo de hardware (profundidade bruta/transpilada e contagens de portas de dois qubits).
4. Recuperação Híbrida com Portão de Confiança: Para abordar a sensibilidade de códigos topológicos grandes a erros de previsão, um mecanismo de fallback é introduzido. Se a confiança da previsão do decodificador aprendido exceder um limiar ($\tau$), sua saída é utilizada; caso contrário, o sistema recorre a um decodificador "professor" apropriado ao código.

Regimes de Avaliação
O framework é avaliado através de cinco configurações de transferência:

• Interpolação: Todos os códigos e tipos de ruído são vistos durante o treinamento.
• Transferência de Unseen-$p$: Teste em taxas de erro físico não vistas no treinamento.
• Transferência de Unseen-Noise: Teste em uma família de ruído não vista no treinamento.
• Adaptação de Few-Shot para Unseen-Code: Teste em um código retido (Planar5×5) com apenas 5% de seus dados no conjunto de treinamento.
• Adaptação de Few-Shot para Held-Out-Size: Teste em um tamanho de código não visto no treinamento.

Resultados Principais

• Acurácia da Etiqueta do Professor: O Meta-MLP alcança alta acurácia em todos os regimes (ex: 0.9993 em interpolação, 0.9118 em unseen-$p$). Os VQCs selecionados via busca consciente de hardware apresentam desempenho competitivo, muitas vezes superando os VQCs selecionados por acurácia em cenários de transferência (ex: 0.8495 vs. 0.8397 em unseen-$p$), embora geralmente fiquem atrás do Meta-MLP.
• Hierarquia de Transferência: A generalização através de parâmetros de ruído ($p$ e família de ruído) é significativamente mais fácil do que a generalização através de estruturas de código (código não visto ou tamanho de código). A adaptação de poucos disparos (few-shot) para uma estrutura de código não vista resulta na degradação de desempenho mais significativa.
• Desempenho ao Nível Lógico: Alta acurácia de etiqueta do professor não garante baixas taxas de falha lógica, especialmente para o Planar5×5. No regime de interpolação, as razões de falha lógica bruta em relação ao professor foram 12.08 (Meta-MLP) e 25.91 (VQC).
• Impacto do Portão de Confiança: Aplicar o mecanismo de fallback com portão de confiança reduz drasticamente as razões de falha lógica para o Planar5×5 para 1.71 (Meta-MLP) e 1.11 (VQC), demonstrando que a recuperação seletiva baseada em confiança é mais eficaz do que a substituição incondicional do professor.

Significância e Alegações
O artigo alega que sua principal contribuição não é o uso isolado de decodificadores neurais ou quânticos, mas a integração de meta-decodificação de múltiplos códigos, avaliação de transferência, busca de VQC consciente de hardware e recuperação híbrida com portão de confiança em um único pipeline reprodutível.

As principais descobertas enfatizadas pelos autores incluem:

1. Dificuldade de Transferência Estrutural: Adaptar-se a novas estruturas ou tamanhos de código é substancialmente mais difícil do que adaptar-se a novas distribuições de ruído.
2. Seleção Consciente de Hardware: A seleção de VQC baseada em custo pode gerar arquiteturas que permanecem competitivas com circuitos selecionados por acurácia, particularmente em cenários de transferência.
3. Confiabilidade vs. Acurácia: Para códigos topológicos grandes, a acurácia supervisionada bruta é insuficiente como métrica de confiabilidade. Mecanismos baseados em confiança são necessários para preencher a lacuna entre previsões aprendidas e confiabilidade lógica.
4. Recuperação Híbrida: O sistema funciona melhor como um sistema de recuperação "assistido por aprendizado", onde o modelo aprendido atua como um roteador, delegando casos incertos a um professor robusto, em vez de como um substituto autônomo para decodificadores tradicionais.