MDQEC-QAS: 하드웨어 인식 변동 양자 회로 검색 및 신뢰도 기반 복구 기능을 갖춘, 메타 디코딩을 활용한 양자 오류 수정

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

본 논문에서는 다양한 안정자 코드와 노이즈 환경에 대한 증후-복구 매핑을 학습하는 통합된 메타 디코딩 프레임워크를 제안합니다. 이 프레임워크는 각 구성 요소에 대해 별도의 디코더가 필요하지 않습니다. 벤치마크에는 FiveQubit, Steane, Planar3x3 및 Planar5x5 코드가 포함되며, 네 가지 노이즈 패밀리와 다섯 가지 평가 모드(보간법, unseen-p 전송, unseen-노이즈 전송, 소량 데이터 기반 unseen 코드 적응, 소량 데이터 기반 hold-out 크기 적응)를 사용합니다. 고전적인 Meta-MLP 모델을 기준으로 하며, 큐비트 수, 회로 깊이 및 얽힘 토폴로지를 고려한 하드웨어 인식 양자 아키텍처 검색을 통해 선택된 변동 양자 회로(VQC) 메타 디코더와 성능을 비교합니다. Meta-MLP 모델은 다섯 가지 평가 모드에서 각각 0.9993, 0.9118, 0.9342, 0.6304 및 0.7548의 교사 레이블 정확도를 달성했으며, 하드웨어 인식 VQC는 각각 0.9400, 0.8495, 0.8415, 0.5678 및 0.7143을 달성했습니다. 그러나 논리 레벨 평가 결과, 가장 어려운 Planar5x5 환경에서 높은 교사 레이블 정확도만으로는 충분하지 않음을 보여줍니다. 보간법 평가 시, Meta-MLP와 VQC의 원시 논리 오류 비율은 각각 교사 모델 대비 12.08% 및 25.91%였습니다. 그러나 신뢰도 기반 폴백 메커니즘을 사용하면 이러한 비율이 각각 1.71% 및 1.11%로 감소했습니다. 이러한 결과는 무조건적인 교사 대체보다 신뢰도를 고려한 선택적 복구 방식이 더 효과적임을 시사합니다.

We propose a unified meta-decoding framework for quantum error correction that learns syndrome-to-recovery mappings across multiple stabilizer codes and noise settings, without requiring separate decoders for each configuration. The benchmark includes FiveQubit, Steane, Planar3x3, and Planar5x5 codes, four noise families, and five evaluation regimes: interpolation, unseen-p transfer, unseen-noise transfer, few-shot unseen-code adaptation, and few-shot held-out-size adaptation. We compare a classical Meta-MLP teacher-trained baseline with variational quantum circuit (VQC) meta-decoders selected through hardware-aware quantum architecture search over qubit count, circuit depth, and entangling topology. The Meta-MLP achieves teacher-label accuracies of 0.9993, 0.9118, 0.9342, 0.6304, and 0.7548 across the five regimes, while the hardware-aware VQC achieves 0.9400, 0.8495, 0.8415, 0.5678, and 0.7143. However, logical-level evaluation shows that high teacher-label accuracy alone is insufficient in the most challenging Planar5x5 setting. During interpolation, the raw logical-failure ratios relative to the teacher are 12.08 and 25.91 for the Meta-MLP and VQC, respectively, whereas confidence-gated fallback reduces them to 1.71 and 1.11. These results support confidence-aware selective recovery rather than unconditional teacher replacement.