오류 수정 능력을 갖춘 양자 컴퓨팅을 위한 효율적인 기초 디코더

Efficient foundation decoders for fault-tolerant quantum computing

기초 디코더는 높은 용량을 가진 신경망 기반 디코더의 한 종류로, 큰 코드 거리를 가지면서 정확하고 효율적인 해독 성능을 제공하여 오류 수정 능력을 갖춘 양자 컴퓨팅 분야에서 유망한 후보입니다. 그러나 일반적으로 더 큰 코드 거리는 증후군 생성 및 신경망 최적화 비용을 급격히 증가시켜 확장성에 어려움을 겪습니다. 이러한 병목 현상을 해결하기 위해, 본 연구에서는 효율적인 기초 디코더를 위한 통합 프레임워크인 신경망 전이 통일(NTU)을 제안합니다. NTU의 핵심 기능은 확장 가능한 코드 패밀리에서 공유하는 대수적 구조를 통해 다양한 코드 거리에서의 해독 작업을 연결하여, 작은 코드에 대해 학습된 지식을 활용하여 대규모 디코더 훈련을 가속화하는 것입니다. 우리는 NTU-Transformer라는 트랜스포머 기반 신경망 디코더를 개발하여 평면 표면 코드와 이변수 자전거 코드를 위한 최적화를 수행했습니다. 회로 수준의 노이즈 환경에서, NTU-Transformer는 $[\!361,1,19 ceil$ 코드에서 상관 관계 인지 매칭보다 우수한 성능을 보였으며, 추가적으로 $[\!625,1,25 ceil$ 코드로 확장하여 표준 매칭 방식을 능가하는 결과를 얻었습니다. 또한, $[\!72,12,6 ceil$의 이변수 자전거 코드에서 낮은 물리적 오류 환경에서 Relay-BP보다 우수한 성능을 나타냈습니다. 이러한 결과는 본 연구에서 제안하는 방법이 오류 수정 능력을 갖춘 양자 프로세서용 기초 디코더의 확장 가능한 훈련 방법을 제공함을 보여줍니다.

Foundation decoders, a class of high-capacity neural decoders, are leading candidates for fault-tolerant quantum computing, with accurate and efficient decoding at large code distances. However, their construction often faces a steep scaling barrier, as larger code distances rapidly amplify the cost of syndrome generation and neural optimization. To address this bottleneck, here we devise neural transfer unification (NTU), a unified framework for efficient foundation decoders. A central feature of NTU is its ability to align decoding tasks across code distances via algebraic structures shared by scalable code families, which enables knowledge learned on smaller codes to accelerate large-scale decoder training. We instantiate NTU as NTU-Transformer, a transformer-based neural decoder tailored for planar surface codes and bivariate bicycle codes. For planar surface codes under circuit-level noise, NTU-Transformer outperforms correlation-aware matching on the $[\![361,1,19]\!]$ code and further scales to the $[\![625,1,25]\!]$ code, where it exceeds standard matching through transfer adaptation. For the bivariate bicycle code with $[\![72,12,6]\!]$, it surpasses Relay-BP in the low-physical-error regime. These results establish our proposal as a scalable route to amortized cross-distance training of foundation decoders for fault-tolerant quantum processors.