技术摘要：机器学习优化量子纠错阈值

问题陈述

量子纠错（QEC）对于在噪声量子系统中保护逻辑信息至关重要，然而 QEC 码的性能从根本上受限于噪声阈值。一旦超过这些阈值，纠错就会失效，逻辑信息无法实现高保真度恢复。确定这些最优阈值在计算上具有挑战性，因为这需要对误差进行采样、解码综合征（syndromes），并使用最优解码器估计逻辑失败率，而后者对于大规模码距离通常是难以处理的。

虽然次优解码策略（例如最小权重完美匹配，MWPM）被广泛使用，但它们往往无法充分利用可用信息，仅能提供真实最优阈值的下界。此外，关于“软后选择”（soft post-selection）——即通过丢弃具有高综合征不确定性的实验运行以提高逻辑准确性的策略——的理论理解仍然有限，特别是在其可扩展性以及相对于最大似然解码（MLD）的优越性方面。

研究方法

作者提出了一个将信息论度量与机器学习相结合的框架，用于估计最优 QEC 阈值并提高解码性能。

1. 理论联系：相干信息与二元交叉熵损失

其核心理论贡献是建立了**相干信息（Coherent Information, CI）与用于训练神经网络解码器的二元交叉熵（Binary Cross-Entropy, BCE）**损失函数之间的直接联系。

• CI 公式化： 作者推导出了 CI 关于给定综合征 $s$ 的逻辑算符 $\lambda \in \{I, X, Y, Z\}$ 的条件概率分布的解析表达式。CI 被表示为 $I = \log 2 + \sum_s p(s) \sum_\lambda p(\lambda|s) \log p(\lambda|s)$。
• 损失解释： 他们证明了用于训练预测逻辑算符的神经网络的 BCE 损失，其下界由负相干信息限定。具体而言，最小化 BCE 损失等同于最大化可恢复的逻辑信息。因此，CI 作为解码器追踪逻辑算符所能达到的损失的锐利下界，为训练目标提供了物理层面的解释。

2. 神经网络架构

为了逼近 MLD 并估计 CI，作者开发了一个具有以下特征的基于 Transformer 的神经网络：

• STL 分解： 将解码任务构建为估计分解式 $E = STL$中的逻辑算符$L$（其中$S$为稳定器，$T$为纯误差，$L$为逻辑算符）。该网络以自回归方式预测逻辑算符（$p(\lambda|s) = p(\lambda_z|\lambda_x, s)p(\lambda_x|s)$）。
• 最大支撑逻辑算符： 该模型追踪的是“最大支撑”逻辑算符（全局奇偶校验），而非边界局域化的字符串。这确保了每个训练样本都能为学习误差分布做出有意义的贡献，避免了在大距离下由于字符串型算符导致的稀疏问题。
• 分时空注意力机制： 对于需要重复测量综合征的噪声模型（现象级噪声和电路级噪声），作者引入了分时空注意力机制。该机制分别对每一轮内空间对齐的 token 以及跨轮次时间对齐的 token 进行注意力计算，从而在捕捉长程相关性的同时平衡了计算可行性。
• 课程学习： 为了防止“条件坍缩”（即在噪声率较高时，网络忽略综合征并输出平均概率），采用了课程学习策略。模型首先在低噪声数据上进行训练，然后逐渐在更高噪声率下进行微调，以确保收敛至全局最小值。

3. 软后选择方案

作者研究了基于解码器置信度丢弃综合征的软后选择技术。

• 最优性证明： 他们证明了基于 MLD 余集概率的后选择是最优的。具体而言，对于固定的中止概率预算，没有任何其他方案能在实现相同中止率的情况下获得比基于 MLD 的后选择更低的逻辑错误率。
• 分裂 MLD 后选择： 提出了一种新的方案，将 $X$ 和 $Z$ 逻辑算符的不确定性进行独立处理。只有当模型对两个分量都具有高置信度时（即概率接近 0 或 1），综合征才会被接受，这由对 $\sqrt{c}$ 的阈值定义。

关键结果

1. 相干信息估计与阈值

该 Transformer 模型在三种噪声模型下的表面码（surface code）上进行了训练和评估：

• 码容量（去极化噪声）： 网络估计的阈值为 $p_{th} \approx 0.172$，与已知的理论极限高度吻合。其临界指数 $\nu \approx 1.81$ 也与文献一致。
• 现象级噪声： 估计的阈值为 $p_{th} \approx 5.15 \times 10^{-2}$。作者观察到 CI 曲线在非零处相交，这表明存在比简单噪声模型中观察到的自对偶性破缺。
• 电路级噪声： 模型估计的阈值为 $p_{th} \approx 3.00 \times 10^{-3}$。这一结果为缺乏解析参考的复杂现实噪声设置下的阈值提供了数值证据。

在所有情况下，网络都能准确预测 CI，且估计的阈值与已知理论界限一致或有所提升。

2. 解码性能

作为解码器使用时，该神经网络在所有噪声模型下的逻辑错误率方面均显著优于标准的 MWPM 解码器。随着码距离的增加，这种性能差距进一步扩大，凸显了该网络在处理比 MWPM 更复杂的码退化（code degeneracy）方面的能力。

3. 后选择的可扩展性

数值实验证实，所提出的分裂 MLD 后选择方案保留了标准解码的最优阈值。

• 阈值保持： 逻辑错误率和中止概率均表现出清晰的阈值行为，且与标准解码阈值一致。
• 可扩展性： 随着码距离的增加，中止概率在阈值以下趋于消失，证明了基于 MLD 的后选择是可扩展的，不会受到严格后选择所带来的指数级惩罚。

意义与主张

本文对量子纠错领域提出了几项重要的贡献：

1. 理论洞察： 它确立了使用 BCE 损失训练神经网络解码器本质上是在尝试最大化相干信息。这为训练过程提供了严密的物理阐释，将机器学习目标直接与信息论极限联系起来。
2. 阈值估计的实用工具： 该工作证明了基于 Transformer 的架构可以作为估计最优 QEC 阈值的强大工具，即使是在缺乏解析解的复杂电路级噪声设置中也是如此。
3. 后选择的最优性： 作者首次提供了数值证据，支持了基于 MLD 的后选择是最优的这一理论主张。他们展示了此类策略可以在不牺牲可扩展性的情况下提高逻辑准确性，解决了近阶段量子设备的一个关键限制。
4. 架构进步： 通过引入分时空注意力和课程学习，本文推进了神经解码器的设计，克服了对空间误差的偏好以及在高噪声率下的训练不稳定性。

作者总结道，他们的工作使基于 Transformer 的解码器不仅成为具有竞争力的纠错器，同时也成为了信息论量值的计算可行近似器，为表征和优化 QEC 协议提供了新的途径。