qourata research data centre

أبحاث

فك ترميز Surface Code: أي خوارزمية تحقق أدنى معدل خطأ منطقي تحت الضجيج على مستوى الدائرة (circuit-level noise)؟

Surface Code Decoding: Which Algorithm Achieves Lowest Logical Error Rate Under Circuit-Level Noise?

المجال
quantum computing
نُشر
دقائق قراءة
3 min
الادعاءات والمراجعة
10/10 ادعاءات موثقة · 7 مصادر

اقرأ بالإنجليزية

الجواب المباشر

لا يوجد فاكّ ترميز (decoder) واحد يحقق أدنى معدل خطأ منطقي عبر جميع مسافات الكود (code distances) ونماذج الضجيج. تحت الضجيج على مستوى الدائرة، يمكن لفكّاكات الترميز القائمة على الشبكات العصبية (neural-network decoders) أن تتفوق على مطابقة الوزن الأدنى الكاملة (minimum-weight perfect matching - MWPM) بنسبة تقارب 25% على بيانات تجريبية، ويقلّل Sparse Mamba Decoder (SMD) معدلات خطأ MWPM بنسبة تصل إلى 49% عند d ≤ 5. تحقق المطابقة الموزونة (weighted matching) على toric code عتبة أعلى (0.72%) من عتبة union-find الموزون (0.62%)، لكن union-find مع الترجيح يحسّن عتبته من 0.38% إلى 0.62%. يعتمد الاختيار الأفضل على مسافة الكود، وخصائص الضجيج، وقيود الكمون (latency).

خريطة فكّاكات الترميز وأهميتها

تحوّل فكّاكات ترميز surface code قياسات المتلازمة (syndrome) إلى عملية تصحيح؛ ومعدل الخطأ المنطقي هو ما يحدد جدوى الحوسبة الكمومية المتسامحة مع الأخطاء (fault-tolerant quantum computing). تمت مقارنة ثلاث فئات من فكّاكات الترميز: minimum-weight perfect matching (MWPM)، وunion-find (UF)، وفكّاكات الترميز العصبية (neural-network - NN). تحت الضجيج على مستوى الدائرة، تُعد العتبة (threshold) — وهي معدل الخطأ الفيزيائي الذي تحته يتناقص معدل الخطأ المنطقي مع زيادة مسافة الكود — مقياساً رئيسياً. تصل المطابقة الموزونة على toric code إلى عتبة 0.72%، بينما يصل union-find الموزون إلى 0.62% تحت نفس الضجيج [4]. ويقلّل Sparse Mamba Decoder (SMD) معدلات خطأ MWPM المنطقية بنسبة تصل إلى 49% عند d ≤ 5 تحت ضجيج SI1000 [6].

الآلية: كيف تتعامل فكّاكات الترميز مع الأخطاء المترابطة

تتفوق فكّاكات الترميز العصبية على فكّاكات المطابقة (matching decoders) لأنها تتعامل بشكل أفضل مع الأخطاء التي تُنتج عيوب متلازمة (syndrome defects) متعددة ومترابطة، مثل أخطاء Y [5]. يحسّن الترجيح (weighting) كلاً من فكّاكي UF والمطابقة: تحت ضجيج إزالة الاستقطاب (depolarizing noise) على مستوى الدائرة على toric code، يرفع الترجيح عتبة UF من 0.38% إلى 0.62%، وعتبة المطابقة من 0.65% إلى 0.72% [4]. ومع قياسات عدم الهدم الكمومي (quantum non-demolition measurements)، يصل UF الموزون إلى عتبة 0.76% مقابل 0.90% للمطابقة الموزونة [4]. يحافظ SMD على كمون شبه ثابت (24–57 μs) عبر d=3–9 تحت ضجيج منتظم على مستوى الدائرة، وهو أمر مهم لفكّ الترميز في الزمن الحقيقي [6].

الأداء المقاس: معدلات الخطأ المنطقي والعتبات

على بيانات تجريبية من معالج كيوبتات transmon، يحقق فكّاك الترميز العصبي معدلات خطأ منطقي أقل بنحو 25% من MWPM [5]. وإضافة المعلومات اللينة (soft information) من القراءة التماثلية (analog readout) تُخفّض معدل الخطأ المنطقي لفكّاك NN بنسبة 10% إضافية [5]. ويقلّل SMD معدلات خطأ MWPM المنطقية بنسبة تصل إلى 49% عند d ≤ 5 تحت ضجيج SI1000 [6]. وتحت ضجيج إزالة الاستقطاب على مستوى الدائرة على toric code، تتفوق المطابقة الموزونة (عتبة 0.72%) على union-find الموزون (عتبة 0.62%) [4].

الحدود والأسئلة المفتوحة

لا تقدّم النتائج مقارنة مباشرة بين الفكّاكات الثلاثة تحت نماذج ضجيج ومسافات كود متطابقة. فقد اُختُبرت فكّاكات الترميز العصبية على بيانات تجريبية (معالج transmon) وأظهرت تحسناً بنسبة 25% مقارنة بـMWPM، لكن لم تُقدَّم مقارنة مع union-find [5]. ونتائج SMD خاصة بضجيج SI1000، لا بضجيج إزالة الاستقطاب على مستوى الدائرة، وحتى d=5 فقط [6]. وتمت مقارنة union-find الموزون والمطابقة الموزونة فقط على toric code، لا على surface code المستوي (planar surface code) [4]. وبيانات الكمون لفكّاكات NN غائبة، ولم تُحدَّد التكلفة الحسابية الإضافية للتدريب (training overhead). قد يعتمد الفكّاك الأفضل لنظام معين على قيود العتاد، وانحياز الضجيج، وتوافر المعلومات اللينة.

كيف يُبنى

كيفية بنائه، أو كيفية استخدامه

  1. اختيار عائلة فكّاك الترميز: للحصول على كمون منخفض (d=3–9)، نفّذ Sparse Mamba Decoder (SMD) باستخدام البنية المذكورة في [6]؛ للحصول على عتبات أعلى، نفّذ المطابقة الموزونة من [4].
  2. استخراج المتلازمة (syndrome extraction): استخدم نموذج ضجيج إزالة استقطاب على مستوى الدائرة مع قياسات عدم الهدم الكمومي لـtoric code (أو planar surface code).
  3. تعيين الأوزان: بالنسبة لـunion-find الموزون أو المطابقة الموزونة، عيّن أوزان الحواف بناءً على احتمالية آليات الخطأ (مثل ضجيج إزالة الاستقطاب) كما في [4].
  4. تنفيذ فكّاك الترميز: بالنسبة لـSMD، ابنِ نموذج فضاء الحالة النادر Mamba (sparse Mamba state-space model) الذي يعالج مجموعات العيوب (defect clusters)؛ وبالنسبة لـNN، درّب شبكة تغذية أمامية (feedforward) أو شبكة تلافيفية (convolutional) على متلازمات محاكاة مع معلومات لينة من القراءة التماثلية [5].
  5. قياس خط الأساس: قِس معدل الخطأ المنطقي لمسافات الكود d=3,5,7,9,11,13 تحت ضجيج على مستوى الدائرة، بالمقارنة مع MWPM (باستخدام PyMatching مثلاً).
  6. التقييم: احسب العتبة بمطابقة معدل الخطأ المنطقي مقابل معدل الخطأ الفيزيائي؛ وبالنسبة لـSMD، قِس أيضاً الكمون لكل دورة (round).

ما الذي سنبنيه

ما الذي سنبنيه

سنبني مجموعة اختبارات مرجعية (benchmark suite) تقارن SMD، وunion-find الموزون، وفكّاك ترميز عصبي على نفس نموذج ضجيج إزالة الاستقطاب على مستوى الدائرة لـplanar surface code عند d=3,5,7,9. وستقيس هذه المجموعة معدل الخطأ المنطقي، والعتبة، وكمون فكّ الترميز. وسيكون النجاح متمثلاً في فكّاك ترميز يحقق معدل خطأ منطقي أقل بنسبة 30% على الأقل من MWPM عند d=7 وكمون أقل من 1 μs لكل دورة. وهذا سيُظهر أي عائلة فكّاكات الترميز أكثر عملية للمعالجات الكمومية قريبة المدى ويوفر خط أساس قابلاً لإعادة الإنتاج للمجتمع البحثي.

الادعاءات والمراجعة

الادعاءات والمراجعة

  1. factمدعوم

    Neural-network decoders can achieve a lower logical error rate compared to minimum-weight perfect matching when decoding the surface code.

    [5] Neural network decoder for near-term surface-code experiments — abstract arXiv:2307.03280v2
    “Neural-network decoders can achieve a lower logical error rate compared to conventional decoders, like minimum-weight perfect matching, when decoding the surface code. Furthermore, these decoders require no prior information about the physical error rates, making them highly adap…”
  2. resultمدعوم

    On experimental data from a transmon-qubit processor, the neural network decoder achieves logical error rates approximately 25% lower than minimum-weight perfect matching.

    [5] Neural network decoder for near-term surface-code experiments — section Neural network decoder for near-term surface-code experiments
    “When applied to the experimental data of [Google Quantum AI, Nature 614, 676 (2023)], the neural network decoder achieves logical error rates approximately 25%25\% lower than minimum-weight perfect matching, approaching the performance of a maximum-likelihood decoder. To demonstr…”
  3. resultمدعوم

    The Sparse Mamba Decoder (SMD) reduces the MWPM logical error rate by up to 49% at d ≤ 5 under SI1000 noise.

    [6] Sparse Mamba Decoder for Quantum Error Correction: Efficient Defect-Centric Processing of Surface Code Syndromes — abstract arXiv:2605.17156v2
    “Quantum error correction (QEC) is essential for building fault-tolerant quantum computers, requiring decoders that are simultaneously accurate, fast, and scalable. Most state-of-the-art neural decoders achieve high accuracy but process the full dense syndrome array of size $O(d^2…”
  4. resultمدعوم

    Under circuit-level depolarizing noise on the toric code, weighting the union-find decoder increases the threshold from 0.38% to 0.62%.

    [4] Fault-Tolerant Weighted Union-Find Decoding on the Toric Code — abstract arXiv:2004.04693v1
    “Quantum error correction requires decoders that are both accurate and efficient. To this end, union-find decoding has emerged as a promising candidate for error correction on the surface code. In this work, we benchmark a weighted variant of the union-find decoder on the toric co…”
  5. resultمدعوم

    Under circuit-level depolarizing noise on the toric code, weighting a matching decoder increases the threshold from 0.65% to 0.72%.

    [4] Fault-Tolerant Weighted Union-Find Decoding on the Toric Code — abstract arXiv:2004.04693v1
    “Quantum error correction requires decoders that are both accurate and efficient. To this end, union-find decoding has emerged as a promising candidate for error correction on the surface code. In this work, we benchmark a weighted variant of the union-find decoder on the toric co…”
  6. resultمدعوم

    With quantum non-demolition measurements, weighted union-find decoding achieves a threshold of 0.76% compared to 0.90% for weighted matching on the toric code.

    [4] Fault-Tolerant Weighted Union-Find Decoding on the Toric Code — section Fault-Tolerant Weighted Union-Find Decoding on the Toric Code
    “Quantum error correction requires decoders that are both accurate and efficient. To this end, union-find decoding has emerged as a promising candidate for error correction on the surface code. In this work, we benchmark a weighted variant of the union-find decoder on the toric co…”
  7. methodمدعوم

    The neural network typically outperforms the matching decoder due to better handling of errors leading to multiple correlated syndrome defects, such as Y errors.

    [5] Neural network decoder for near-term surface-code experiments — abstract arXiv:2307.03280v2
    “Neural-network decoders can achieve a lower logical error rate compared to conventional decoders, like minimum-weight perfect matching, when decoding the surface code. Furthermore, these decoders require no prior information about the physical error rates, making them highly adap…”
  8. resultمدعوم

    Considering soft information from analog readout leads to an approximately 10% lower logical error rate for the neural network decoder.

    [5] Neural network decoder for near-term surface-code experiments — section Neural network decoder for near-term surface-code experiments
    “When applied to the experimental data of [Google Quantum AI, Nature 614, 676 (2023)], the neural network decoder achieves logical error rates approximately 25%25\% lower than minimum-weight perfect matching, approaching the performance of a maximum-likelihood decoder. To demonstr…”
  9. resultمدعوم

    Under circuit-level depolarizing noise on the toric code, weighted matching achieves a threshold of 0.72% compared to 0.62% for weighted union-find.

    [4] Fault-Tolerant Weighted Union-Find Decoding on the Toric Code — abstract arXiv:2004.04693v1
    “Quantum error correction requires decoders that are both accurate and efficient. To this end, union-find decoding has emerged as a promising candidate for error correction on the surface code. In this work, we benchmark a weighted variant of the union-find decoder on the toric co…”
  10. resultمدعوم

    SMD maintains nearly constant latency (24–57 μs) across d=3–9 under uniform circuit-level noise.

    [6] Sparse Mamba Decoder for Quantum Error Correction: Efficient Defect-Centric Processing of Surface Code Syndromes — section Sparse Mamba Decoder for Quantum Error Correction: Efficient Defect-Centric Processing of Surface Code Syndromes
    “than the Tesseract near-MLD decoder and 232–463×\times faster than Belief Matching, and maintains nearly constant latency (24–57 μ\mus) across d=3d=3–99 under uniform circuit-level noise. On the Sycamore experimental dataset, the SMD ensemble matches or slightly surpasses the den…”

المصادر

المصادر

  1. [1]
    Tzu-Hao Lin, Ching-Yi Lai. Union-Intersection Union-Find for Decoding Depolarizing Errors in Topological Codes. arXiv, 2025.arxiv · primary · https://arxiv.org/abs/2506.14745v1
  2. [2]
    Alexandru Paler, Austin G. Fowler. Pipelined correlated minimum weight perfect matching of the surface code. arXiv, 2022.arxiv · primary · https://arxiv.org/abs/2205.09828v2
  3. [3]
    John Blue, Harshil Avlani, Zhiyang He, Liu Ziyin, Isaac L. Chuang. Machine Learning Decoding of Circuit-Level Noise for Bivariate Bicycle Codes. arXiv, 2025.arxiv · primary · https://arxiv.org/abs/2504.13043v2
  4. [4]
    Shilin Huang, Michael Newman, Kenneth R. Brown. Fault-Tolerant Weighted Union-Find Decoding on the Toric Code. arXiv, 2020.arxiv · primary · https://arxiv.org/abs/2004.04693v1
  5. [5]
    Boris M. Varbanov, Marc Serra-Peralta, David Byfield, Barbara M. Terhal. Neural network decoder for near-term surface-code experiments. arXiv, 2023.arxiv · primary · https://arxiv.org/abs/2307.03280v2
  6. [6]
    Samira Sayedsalehi, Nader Bagherzadeh, Maxim Shcherbakov, Jean-Luc Gaudiot. Sparse Mamba Decoder for Quantum Error Correction: Efficient Defect-Centric Processing of Surface Code Syndromes. arXiv, 2026.arxiv · primary · https://arxiv.org/abs/2605.17156v2
  7. [7]
    Antonio deMarti iOlius, Imanol Etxezarreta Martinez, Joschka Roffe, Josu Etxezarreta Martinez. An almost-linear time decoding algorithm for quantum LDPC codes under circuit-level noise. arXiv, 2024.arxiv · primary · https://arxiv.org/abs/2409.01440v3