💻 计算机科学

Sparse Mamba Decoder for Quantum Error Correction: Efficient Defect-Centric Processing of Surface Code Syndromes

稀疏 Mamba 解码器（Sparse Mamba Decoder, SMD）是一种以缺陷为中心的神经解码器，它通过仅处理活跃的检测事件来实现 $O(k)$ 复杂度，从而获得卓越的准确度和近乎恒定的低延迟，在各种量子纠错基准测试中，其在速度和逻辑错误率方面均显著优于现有的解码器。

原作者： Samira Sayedsalehi, Nader Bagherzadeh, Maxim Shcherbakov

发布于 2026-10-22

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Samira Sayedsalehi, Nader Bagherzadeh, Maxim Shcherbakov

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

量子计算机有望解决当今机器需要数千年才能解决的问题，但它们极其脆弱。承载信息的微小粒子被称为量子比特（qubits），它们极易受到热量、振动甚至随机电磁波的干扰。当量子比特受到干扰时，它会产生错误，如果这些错误不断堆积，整个计算就会崩溃。为了制造出实用的量子计算机，科学家必须构建一个能够实时发现并修复这些错误的系统，这一过程被称为量子纠错。实现这一目标最流行的方法是使用一个由量子比特组成的网格，系统会不断检查自身的健康状况。这些检查会产生一种被称为“症候”（syndrome）的数据流，它就像一张记录了错误发生位置的地图。挑战在于，计算机必须比新错误出现的速度更快地读取这张地图并决定如何修复错误，这是一场对速度和精度的极致考验。

多年来，读取这些错误图谱的最佳工具是经典算法，它们将整个网格视为一个完整的数据块进行处理，无论是否有错都会检查每一个方格。这种方法虽然可靠，但速度较慢，因为它在处理空白空间上浪费了大量时间。在一项新的研究中，加州大学欧文分校的研究人员提出了一种不同的思考方式。他们构建了一个解码器，该解码器忽略网格中的空白部分，只专注于真正发生错误的那几个点。通过将错误图谱视为一个稀疏的活跃事件列表，而非一幅完整的图像，他们创建了一个比现有最佳方法更快且同样准确的系统。

由萨米拉·赛德萨莱希（Samima Sayedsalehi）领导的研究团队开发了他们称之为“稀疏Mamba解码器”（Sparse Mamba Decoder）的系统。要理解为什么这是一个突破，首先必须了解错误的本质。在运行典型实验的量子计算机中，错误是罕见的。在成千上万个可能记录错误的位置中，通常只有极小的一部分（通常不到5%）会显示问题。旧的解码方式就像一名保安在巡视一座巨大的、空荡荡的酒店，即便他知道入侵者只可能出现在特定的几个房间里，却仍要走遍每一间房进行检查。而新的解码器则完全跳过那些空房间。它等待警报响起，识别出噪音来自哪个具体的房间，然后仅分析该房间及其相邻区域。

这种策略的转变使得团队能够使用一种强大的新型人工智能架构——状态空间模型，具体来说是被称为“Mamba”的一个版本。这种模型旨在高效处理信息序列。研究人员并没有将整个网格的数据输入系统，而是只提取了活跃的错误信号，他们称之为“缺陷”（defects）。随后，他们将每个缺陷包装在一个详细的描述中，包含其位置、错误类型以及与附近错误的关系。这创造了一个短小的、变长的事件列表，而不是一个巨大的、静态的数据块。AI模型随后通过阅读这个列表来预测计算机是否遭受了“逻辑失效”（logical failure）——这是一种无法修复并会毁掉整个计算的错误。

这种方法的测试结果令人瞩目。在模拟真实量子硬件行为的数据测试中，新解码器将不可修复错误的发生率降低了高达49%，相比于该领域使用的标准方法。更重要的是，它的速度极快。在测试中，新系统的运行速度比目前领先的近乎完美的解码器（称为Tesseract）快了95到467倍。Tesseract解码器处理单张错误图谱需要毫秒级的时间，而新系统完成任务仅需微秒级。这种速度至关重要，因为量子计算机的运行周期仅约为一微秒；如果解码器太慢，计算机就无法跟上自身产生错误的速度。

研究人员还在谷歌Sycamore量子处理器收集的真实数据上测试了他们的系统。在这些实验中，新解码器的表现匹配或略微超过了之前一种处理完整网格数据的复杂神经网络。这证明了通过忽略空白空间，新方法并没有损失精度，它只是找到了一种更高效的观察信号的方式。该系统在标准的商用图形显卡上即可实现如此高性能，无需其他先进解码器所需的专门且昂贵的超级计算硬件。

其中一个最重要的发现是该系统如何处理量子计算机的规模问题。随着用于执行复杂计算的量子比特网格不断扩大，需要处理的数据量通常会呈爆炸式增长，导致解码速度越来越慢。然而，新解码器无论网格规模如何变化，都能保持近乎恒定的速度。当其他方法随着网格增大而变慢数百倍时，该系统仅会轻微减速。这表明，随着量子计算机向实际应用所需的庞大规模扩展，这种以缺陷为中心的处理方法将不仅是更快速，而且是必不可少的。

Sparse Mamba解码器的成功依赖于一种巧妙的描述错误的方式。系统不仅知道错误发生在哪里，还获得了关于每个错误事件的丰富线索：它被告知了错误的精确坐标、是比特翻转（bit-flip）还是相位翻转（phase-flip），以及其邻居是否也在报警。它还获得了该错误状态随时间变化的历程。通过将这些详细的上下文喂给AI，系统学会了识别旧方法容易忽略的复杂错误模式。它学会了区分单次测量故障与在芯片上蔓延的连锁错误，从而能更好地做出修复决策。

该研究还强调了旧方法的一个根本局限性。通过处理整个网格，之前的解码器被迫将水平方向和垂直方向的错误图谱视为两个独立的问题。然而，在量子世界中，某些类型的错误会同时影响这两个方向。通过将所有错误作为一个序列整体进行观察，新解码器能够自然地捕捉到这些关联。这使得它能够解决旧有的、分离式方法无法处理的问题，从而实现了测试中观察到的错误率大幅下降。

虽然该系统目前尚未快到足以在运行周期为一微秒的最快超导量子计算机上进行实时运行，但它代表了一次巨大的飞跃。研究人员指出，当前版本是分批处理数据的，这会增加一定的延迟。然而，其底层逻辑非常高效，未来设计用于接收实时流数据的版本，潜力巨大，有望达到实时纠错所需的速度。该系统能在标准图形显卡上实现如此高性能的事实表明，高质量量子纠错的准入门槛比此前认为的要低。

这项工作证明了量子错误固有的“稀疏性”是一个特性，而非缺陷。通过设计一种尊重这种稀疏性的架构，研究人员找到了一条既快速又准确的解码路径。研究表明，处理完整的、稠密的网格数据对于保持高精度并非必要，相反，专注于活跃的缺陷才是更优的策略。随着量子硬件的持续改进和规模扩大，快速且高效地解码错误将成为解锁这些机器全部潜力的关键。这种新解码器为那个未来提供了一条清晰且务实的路径，证明了有时解决复杂问题的最佳方式，就是忽略那些并未损坏的部分。

技术摘要：用于量子纠错的稀疏 Mamba 解码器 (Sparse Mamba Decoder)

问题陈述

量子纠错 (QEC) 是实现容错量子计算的先决条件，要求解码器在准确性、速度和可扩展性之间取得平衡。表面码 (Surface Code) 是近期实现中最具竞争力的方案之一，它会生成规模为 $O(d^2 R)$ 的综合征阵列（syndrome array），其中 $d$ 是码距离， $R$ 是测量轮数。

现有的最先进神经解码器（如 AlphaQubit 和 Dense Mamba 解码器）无论实际错误率如何，都会处理整个稠密综合征阵列。然而，在物理相关的错误率下（例如 $p \approx 0.1\%$ ），只有不到 5% 的综合征条目包含活跃的检测事件。处理整个稠密体积类似于对一个 97% 稀疏的矩阵进行稠密矩阵乘法，这会导致不必要的计算开销。此外，虽然基于匹配的解码器（如最小权重完美匹配，MWPM）速度很快，但它们并非最优，因为它们无法考虑到相关错误（例如，Y 型错误会同时触发 X 型和 Z 型稳定器）。相反，近乎最优的解码器（如 Tesseract 或 AlphaQabuit 2）通常需要专门的硬件（如 Trillium TPU），或者表现出随码距离增加而扩展性极差的高延迟。

方法论：稀疏 Mamba 解码器 (SMD)

作者引入了稀疏 Mamba 解码器 (SMD)，这是一种以缺陷为中心的架构，从根本上将输入表示从稠密综合征阵列转变为稀疏的活跃检测事件序列。

1. 稀疏缺陷表示

SMD 不再处理完整的 $(d^2-1) \times R$ 综合征体积，而是提取仅有的 $k$ 个活跃检测事件。每个缺陷由一个 13 维特征向量 ( $f_{i,t}$ ) 表示，编码了以下信息：

空间坐标： 旋转晶格上的归一化 $(x, y)$ 。
时间上下文： 归一化轮数索引 $t/R$ 。
稳定器类型： X 型或 Z 型检查的二进制标志。
连通性标志： 同样触发的空间邻居（4 个标志）和时间邻居（2 个标志）的二进制指示器。
边界距离： 到 Z 边界和 X 边界的归一化距离 ( $b_Z, b_X$ )。
重构测量值： 检测事件历史的累积异或结果 ( $m_{i,t}$ )，提供了稳定器的当前状态。

这些特征按时间顺序和稳定器索引进行排序，形成长度为 $k$ 的可变长度序列，其中 $k \ll d^2 R$ （在相关错误率下）。

2. 架构

SMD 使用 Mamba 状态空间模型作为骨干网络，该模型以线性时间处理缺陷序列，而不使用注意力机制。

嵌入 (Embedding)： 一个两层 MLP 将 13 维特征投影到模型维度 ( $d_{model}$ )。
混合层 (Mixer Layers)： 核心由 $L$ 层组成，每层包含一个 Mamba 选择性扫描块（具有状态维度 $d_{state}=16$ 和卷积宽度 $d_{conv}=4$ ），随后是一个门控密集块（使用 SiLU 门控）。
读出 (Readout)： 可变长度序列通过掩码平均池化进行聚合，并传递到读出网络（ResBlock 或 MLP）以预测逻辑可观测量 $\hat{\lambda}$ 。
双头变体 (Dual-Head Variant)： 对于去极化噪声，双头架构同时预测 $\lambda_Z$ 和 $\lambda_X$ ，从而能够捕捉独立匹配解码器会忽略的错误基底间的相关性。

3. 训练协议

作者根据噪声模型采用了不同的训练策略：

合成基准测试： 使用 AdamW 或 Lion 优化器从全新的合成数据中从头开始训练。
SI1000 基准测试： 利用针对测量轮数（ $r \le 9, 25, 120$ ）的三阶段课程学习来处理长序列。
Sycamore 实验数据： 遵循两阶段协议：首先在通过 XEB 数据校准至硬件的检测器误差模型 (DEM) 上进行预训练，然后在真实实验数据上进行微调。
集成 (Ensembling)： 为了最大化准确性，作者使用了多检查点集成（平均不同训练步骤模型的 Logits）和多种子集成。

核心贡献

稀疏缺陷中心架构： SMD 处理的是活跃缺陷 ( $k$ ) 而非完整的综合征体积 ( $d^2 R$ )，实现了 $O(k)$ 的计算复杂度。这与稠密神经解码器的 $O(d^2 R)$ 以及基于注意力机制方法的 $O(d^4 R)$ 形成了对比。
跨基准测试的高准确性：
- 去极化噪声： 通过联合解码利用 Y 型错误的相关性，在 $d=5–11$ 时，SMD 比 MWPM、Tesseract 和 Belief Matching 的逻辑错误率降低了 40–91%。
- SI1000 噪声： 在 $d \le 5$ 时，将 MWPM 的逻辑错误率降低了高达 49%。在 $d=7$ 时，三检查点集成比 MWPM 降低了 16%。
- Sycamore 数据： 在实验数据上，SMD 集成匹配甚至略微超过了 Lee 等人的稠密 Mamba 解码器，尽管它使用了没有空洞二维卷积的稀疏输入。
计算效率： 在 SI1000 噪声下，SMD 的运行速度比 Tesseract 近 MLD 解码器快 95–467 倍，比 Belief Matching 快 232–463 倍。在均匀电路级噪声下，随着 $d$ 从 3 增加到 9，SMD 的延迟几乎保持恒定（24–57 $\mu$ s），而 Belief Matching 的延迟则增加了 773 倍。
商用硬件可行性： 所有结果均在标准 NVIDIA GPU（RTX 4090 和 H200 NVL）上实现，模型大小为 7.5–16M 参数，无需 AlphaQubit 2 所需的专用 TPU。

结果与性能

准确性： 在 Sycamore 数据集（ $d=3, 5$ ）上，SMD 集成实现的逻辑错误率分别为 $2.940 \times 10^{-2}$ 和 $3.001 \times 10^{-2}$ ，优于稠密 Mamba 基准（ $2.98 \times 10^{-2}$ 和 $3.03 \times 10^{-2}$ ）以及 $d=3$ 时的张量网络解码器。
延迟扩展性： 对于均匀电路级噪声，从 $d=3$ 到 $d=9$ ，SMD 的延迟仅增加了 2.4 倍，而 Belief Matching 的延迟则增加了 773 倍。
泛化能力： 模型展示了对分布外轮数（例如，在训练最高为 $r=120$ 的情况下处理 $r=140$ ）和变化错误率的强大泛化能力，前提是缺陷密度保持在训练分布内。

重要性与主张

本文声称，在物理相关的错误率下，量子纠错综合征固有的稀疏性是一个强大的结构先验，应当被解码器架构所利用。稀疏 Mamba 解码器证明了：

稀疏表示是足够的： 准确的解码不需要处理完整的稠密综合征阵列；通过将空间结构直接编码进特征向量，一维序列模型可以捕捉必要的几何相关性。
可实现可扩展性且可在商用硬件上运行： 高准确性、近 MLD 的性能可以在消费级 GPU 上实现，无需专门的加速器，使得先进的神经解码更加普及。
效率与准确性的权衡： SMD 提供了一个帕累托最优的平衡，在实现比 MWPM 和近 MLD 解码器高出几个数量级的低延迟的同时，弥补了很大一部分准确性差距。

作者指出，虽然 SMD 针对当前硬件上的批处理吞吐量进行了优化，但其 $O(k)$ 的扩展性与流式架构是正交的。未来的工作可以将 SMD 的稀释处理与流式优化相结合，以实现超导量子比特的实时解码。该方法也被认为可以推广到其他代码族，如彩色码 (Color Codes) 和量子 LDPC 码。