병렬 디코딩 학습: 실시간 양자 오류 정정을 위한 자기 조정 신경망

Learning to Decode in Parallel: Self-Coordinating Neural Network for Real-Time Quantum Error Correction

빠르고 신뢰성 있는 디코더는 오류 허용 양자 컴퓨팅(FTQC)을 가능하게 하는 핵심 구성 요소입니다. AlphaQubit과 같은 신경망 디코더는 기존의 인간이 설계한 디코딩 알고리즘보다 높은 정확도를 달성하여 잠재력을 보여주었습니다. 그러나 기존의 신경망 디코더 구현은 초전도 논리 큐비트에서 생성된 신호 스트림을 실시간으로 디코딩하는 데 필요한 병렬성을 갖추고 있지 않습니다. 또한 AlphaQubit을 슬라이딩 윈도우 기반의 병렬 디코딩 방식으로 통합하는 것은 상당한 어려움을 야기합니다. AlphaQubit은 전체 메모리 실험에 대한 전체 논리 수정을 나타내는 단일 비트만 출력하도록 훈련되었으며, 쉽게 통합될 수 있는 로컬 물리적 수정값을 출력하도록 훈련되지 않았습니다. 우리는 이러한 문제를 해결하기 위해 병렬 윈도우 디코딩에 특화된 순환형 트랜스포머 기반 신경망을 훈련했습니다. 이 신경망은 여전히 단일 비트를 출력하지만, 일관된 로컬 수정값 세트에서 훈련 레이블을 파생하고 다양한 유형의 디코딩 윈도우를 동시에 사용하여 훈련합니다. 이러한 접근 방식은 네트워크가 인접한 윈도우 간에 자체적으로 조정하도록 하여 임의의 길이의 메모리 실험에 대한 고정밀 병렬 디코딩을 가능하게 합니다. 결과적으로, 이전에 AlphaQubit 유형 디코더의 FTQC 사용을 제한했던 처리량 병목 현상을 극복했습니다. 본 연구는 최첨단(SOTA) 정확도와 실시간 양자 오류 정정에 필요한 엄격한 처리량을 동시에 달성하는 최초의 확장 가능한 신경망 기반 병렬 디코딩 프레임워크를 제시합니다. 엔드 투 엔드 실험 워크플로우를 사용하여 표면 코드로 거리가 최대 7인 Zuchongzhi 3.2 초전도 양자 프로세서에서 디코더의 성능을 평가하여 우수한 정확도를 입증했습니다. 또한, 본 연구에서 제안하는 방법을 사용하면 단일 TPU v6e로 표면 코드의 거리가 최대 25인 디코딩을 1us당 한 번의 디코딩 라운드로 수행할 수 있음을 보여주었습니다.

Fast, reliable decoders are pivotal components for enabling fault-tolerant quantum computation (FTQC). Neural network decoders like AlphaQubit have demonstrated potential, achieving higher accuracy than traditional human-designed decoding algorithms. However, existing implementations of neural network decoders lack the parallelism required to decode the syndrome stream generated by a superconducting logical qubit in real time. Moreover, integrating AlphaQubit with sliding window-based parallel decoding schemes presents non-trivial challenges: AlphaQubit is trained solely to output a single bit corresponding to the global logical correction for an entire memory experiment, rather than local physical corrections that can be easily integrated. We address this issue by training a recurrent, transformer-based neural network specifically tailored for parallel window decoding. While it still outputs a single bit, we derive training labels from a consistent set of local corrections and train on various types of decoding windows simultaneously. This approach enables the network to self-coordinate across neighboring windows, facilitating high-accuracy parallel decoding of arbitrarily long memory experiments. As a result, we overcome the throughput bottleneck that previously precluded the use of AlphaQubit-type decoders in FTQC. Our work presents the first scalable, neural-network-based parallel decoding framework that simultaneously achieves SOTA accuracy and the stringent throughput required for real-time quantum error correction. Using an end-to-end experimental workflow, we benchmark our decoder on the Zuchongzhi 3.2 superconducting quantum processor on surface codes with distances up to 7, demonstrating its superior accuracy. Moreover, we demonstrate that, using our approach, a single TPU v6e is capable of decoding surface codes with distances up to 25 within 1us per decoding round.