Decoder Comparability Across Quantum Software Stacks: Repeated-Round Surface and Digitized-GKP Syndrome Replay

Resumo Técnico: Comparabilidade de Decodificadores em Pilhas de Software Quântico

Definição do Problema
A computação quântica tolerante a falhas requer não apenas códigos de correção de erros robustos, mas também implementações de decodificadores comparáveis entre diversas famílias de códigos, modelos de ruído e ferramentas de software. Existe um risco metodológico crítico ao avaliar decodificadores: as diferenças de desempenho observadas podem advir de uma "deriva de interface" em vez da política do decodificador. Especificamente, se dois decodificadores forem alimentados com fluxos de síndromes que são semanticamente semelhantes, mas estruturalmente não idênticos (devido a diferenças em indexação de eventos, carimbos de tempo, tratamento de eventos vazios ou suposições de parser), as comparações resultantes serão pouco confiáveis. Este problema é exacerbado pela emergência de rotas de variáveis contínuas e fotônicas (por exemplo, codificações Gottesman–Kitaev–Preskill ou GKP), onde deslocamentos de quadratura analógica devem ser digitalizados em eventos do tipo síndrome. Sem um contrato de reprodução (replay) fixo, as escolhas de digitalização podem confundir as comparações de política de decodificação.

Metodologia
Os autores propõem um protocolo de comparação consciente de família e preservador de contrato usando o framework LiDMaS+ como uma camada de referência. O estudo não introduz novos decodificadores ou famílias de códigos, mas estabelece uma interface controlada para isolar as diferenças de política de decodificação das escolhas de serialização específicas da fonte.

• Arquitetura: O protocolo envolve três estágios: (1) geração de fluxos de requisição a partir de quatro pilhas independentes de geração de síndrome (PennyLane, Qiskit, Cirq e um gerador de referência LiDMaS+); (2) reprodução desses fluxos através de uma matriz de decodificadores compartilhada (Minimum-Weight Perfect Matching [MWPM], Union-Find [UF] e Belief Propagation [BP]); e (3) agregação de métricas sob um esquema unificado.
• Configuração Experimental: O estudo avalia duas famílias de códigos: códigos de superfície de rodadas repetidas e síndromes GKP digitalizadas. A configuração utiliza uma contagem de disparos (shot count) fixa (1.000), distância ($d=5$), rodadas (4) e taxa de erro (0,08). Apenas eventos Z são emitidos para manter a compatibilidade de interface entre as pilhas.
• Controles de Integridade: O protocolo impõe verificações de integridade rigorosas antes de interpretar as diferenças de política:
  1. Preservação de Linha: Garantir que a cardinalidade de requisição/resposta coincida (razão de resposta $\rho = 1,0$).
  2. Consistência de Parser: Zero erros de análise (parse errors) em requisições ou respostas.
  3. Identidade do Decodificador: Correspondência dos rótulos de decodificador declarados nas respostas com o alvo de reprodução.
  4. Rastreamento de Avisos: Monitoramento de eventos de "aviso-sem-síndrome" (warning-no-syndrome) como sinais comportamentais, em vez de critérios de exclusão.
• Métricas: O estudo foca na contagem média de inversões (average flip count - volume de intervenção) e nas taxas de erro de paridade lógica (derivadas de sidecars de verdade oculta que armazenam o estado final do canal X do código externo). Crucialmente, os autores evitam alegações de equivalência de limiar entre famílias puras. Em vez disso, utilizam tendências normalizadas dentro das famílias para comparar a ordenação dos decodificadores, reconhecendo que os fluxos de superfície e GKP diferem em significado físico e perfis de eventos.

Principais Contribuições

1. Protocolo de Reprodução Baseado em Contrato: Um framework verificável por máquina que separa a geração de requisições da reprodução do decodificador, garantindo a ingestão de fluxos byte a byte idênticos entre diferentes pilhas de software.
2. Agregação Consciente de Família: Uma metodologia que quantifica a separabilidade do decodificador dentro de cada família de código, enquanto avalia como os efeitos dependentes da fonte se transferem entre as famílias, usando tendências normalizadas para evitar comparações de magnitude enganosas entre famílias.
3. Sidecars de Verdade Oculta: A integração de dados de sidecar que permite uma verificação da taxa de erro de paridade lógica do código externo sem expor a "verdade" ao decodificador, vinculando o volume de correção aos resultados residuais lógicos.
4. Benchmarking Empírico: Um conjunto abrangente de dados cobrindo 24 células de reprodução (4 fontes $\times$ 3 decodificadores $\times$ 2 famílias) com 24.000 linhas de requisição/resposta, fornecendo uma linha de base verificada para o comportamento do decodificador.

Resultos

• Integridade: A matriz unificada alcançou integridade perfeita: 24.000 linhas de requisição corresponderam a 24.000 linhas de resposta com uma razão de resposta de 1,0 em todas as células. Houam zero falhas de análise e zero discrepâncias de nome de decodificador. A única anomalia foram 15 eventos de "aviso-sem-síndrome", todos concentrados nas linhas GKP-Cirq (taxa de 0,5%), marcando um caso de borda específico da fonte, em vez de uma falha global.
• Ordenação de Decodificadores: Dentro de ambas as famílias de código, a ordenação dos decodificadores foi estável e consistente: BP < MWPM < UF (em termos de contagem de inversão média da fonte).
  • Família de Superfície: BP (2,435), MWPM (4,768), UF (5,870).
  • Família GKP: BP (1,595), MWPM (2,908), UF (3,681).
  • O BP reduziu o volume médio de intervenção em aproximadamente 48,9% (superfície) e 45,1% (GKP) em relação ao MWPM.
• Sensibilidade da Fonte: Os efeitos da fonte versus referência foram dependentes da família.
  • Superfície: Os deltas da fonte foram modestos e a maioria centrada próximo a zero.
  • GKP: Os efeitos da fonte foram maiores e direcionais. Fluxos do Cirq mostraram fortes deslocamentos negativos em relação à referência, enquanto o PennyLane mostrou fortes deslocamentos positivos. O Qiskit permaneceu próximo à linha de referência.
  • A decomposição da variância revelou que, embora a identidade do decodificador explique a maior parte da variação na contagem média de inversões (57,8%), a identidade da fonte e as interações família-fonte desempenham um papel maior nas taxas de inversão não vazias e nos deslocamentos específicos de GKP.
• Paridade Lógica: A taxa de erro de paridade lógica ($\lambda$) seguiu a mesma ordenação do volume de intervenção. O UF exibiu consistentemente a maior taxa média de paridade residual de fonte em ambas as famílias, enquanto o BP e o MWPM permaneceram mais próximos.

Significância e Alegações
O artigo afirma fornecer um framework metodológico, em vez de um "vencedor universal de decodificadores". Sua principal significância reside em demonstrar que as comparações de decodificadores só são confiáveis quando os fluxos de síndrome são estruturalmente idênticos, garantidos por um contrato de reprodução fixo.

• Estabilidade: Sob semântica de reprodução correspondente, a ordenação relativa dos decodificadores (BP < MWPM < UF) é estável em ambas as famílias de superfície e GKP para o regime testado.
• Portabilidade de Fonte: O estudo destaca que, embora a classificação dos decodificadores seja estável, a magnitude da intervenção e a sensibilidade ao gerador de origem variam significamente por família. Em configurações GKP, a identidade da fonte pode deslocar o ponto de operação em mais de uma inversão por resposta, um fator menos pronunciado em códigos de superfície.
• Escopo Modesto: Os autores afirmam explicitamente que os resultados são diagnósticos de reprodução comparativos para um ponto de operação específico (distância, rodadas, ruído fixos) e não constituem uma varredura completa de limiar lógico. A contribuição é um protocolo que separa a integridade do contrato, a classificação dentro da família e a portabilidade da fonte em camadas mensuráveis, evitando alegações não sustentadas de equivalência de limiar entre famílias de códigos díspares.