Scalable Neural Decoders for Practical Fault-Tolerant Quantum Computation

Motivation

• Known: Fault-tolerant quantum computing은 빠르면서도 정확한 classical decoder를 필요로 하며, 기존에는 belief propagation(BP) 계열의 빠르지만 부정확한 iterative decoder와, MWPM/Tesseract 같은 near-optimal이지만 shot당 최대 1초가 걸리는 combinatorial-search decoder 사이의 뚜렷한 accuracy-latency trade-off가 존재한다는 것이 알려져 있었다.
• Gap: 특히 고비율(high-rate) quantum LDPC code(예: bivariate bicycle code)는 surface code처럼 graph-matching으로 환원할 수 없어 BP 계열 decoder의 convergence failure가 심각하며, 실시간 디코딩 예산 내에서 fault-tolerant 알고리즘이 요구하는 10^-10~10^-12 수준의 logical error rate를 달성할 수 있는 빠르고 정확한 decoder가 부재했다.
• Why: Decoder의 정확도는 fault-tolerant 양자 알고리즘의 physical-qubit 및 runtime overhead를 결정하는 핵심 요소이며, 현재 하드웨어의 물리적 오류율 수준에서는 decoder 정확도가 목표 logical error rate 달성 여부를 좌우하는 지배적 요인이 되었기 때문에 중요하다.
• Approach: 디코딩을 알려진 대칭성을 가진 spatiotemporal graph 위의 구조화된 추론 문제로 재정의하고, 코드의 lattice symmetry에 맞춰 convolution만 바꾸는 동일한 아키텍처 템플릿(translation-equivariant convolutional decoder, Cascade)을 surface code와 고비율 quantum LDPC code에 공통으로 적용한다.

Achievement

1. 정확도 대폭 향상: [[144,12,12]] Gross code, p=0.1%에서 Cascade는 logical error rate ~10^-10을 달성해 널리 쓰이는 iterative decoder 대비 최대 ~4000배, 가장 강력한 iterative variant(Relay) 대비 ~17배 낮은 오류율을 기록했다.
2. 정확도-지연시간 동시 개선: near-optimal combinatorial decoder(Tesseract) 수준의 정확도를 3-5 orders of magnitude 낮은 지연시간으로 달성했다.
3. 분포 이동에 대한 강건성: 단일 높은 physical error rate에서 학습한 하나의 모델이 seven orders of magnitude에 걸친 logical error rate 범위에서 잘 보정된(well-calibrated) 불확실성과 함께 일반화되었다.
4. 모델 용량에 따른 연속적 개선: hidden width H가 커질수록 error suppression이 단조적으로 개선되며 H≈64 부근에서 포화되어 기존 hand-designed baseline을 능가한다.
5. 새로운 물리적 현상 발견: 기존 decoder가 놓치던 'waterfall' regime(PL ~p^11)과 distance-limited floor(PL ~p^6.4)를 명확히 분리해 관측했으며, 이는 현재 자원 추정에 쓰이는 scaling 가정(PL ~p^⌊(d+1)/2⌋)보다 훨씬 가파른 오류 억제를 시사한다.

How

• 코드의 translation group G(surface code는 Z3, BB code는 Zℓ×Zm×Z)에 대해 equivariant한 convolution weight W(ℓ)_δ를 상대 오프셋 δ로 인덱싱하여 정의
• Locality, translation equivariance, anisotropy(방향에 따라 정보의 의미가 다름: X-check vs Z-check, 시간 축은 측정 오류를 인코딩) 세 가지 inductive bias를 아키텍처에 반영
• 이진 detection event를 사이트별로 H차원 표현으로 embedding한 후 L개의 geometry-aware convolution layer로 처리
• 처리된 표현을 각 logical operator의 support에 해당하는 data-qubit site로 scatter하고 작은 prediction head를 통해 관측 가능별 확률로 매핑
• 단일 고 physical error rate에서 학습된 모델을 다양한 노이즈 수준에서 평가하여 일반화 성능과 calibration을 검증
• circuit-level depolarizing noise(gate, idle, measurement 각각 독립적으로 depolarize)라는 hardware-realistic benchmark로 평가하고, 학습 효율을 위한 data-level noise model은 capacity-scaling 실험에 사용
• BP, BP+OSD, MWPM, Relay, Tesseract 등 5개 기존 decoder와 정확도 및 latency를 비교

Originality

• 디코딩 문제를 코드의 lattice symmetry를 반영한 group-equivariant convolution으로 통일적으로 정식화하여, surface code와 고비율 quantum LDPC code(BB code)에 동일한 아키텍처 템플릿을 적용한 최초의 시도
• BP의 고정된 방향 무관 업데이트 규칙 대신 방향 의존적(anisotropic) learned message passing을 도입해 quantum code에서의 convergence failure 문제를 구조적으로 해결
• 단일 노이즈 수준에서 학습한 모델이 7 orders of magnitude에 걸친 logical error rate 영역에서 잘 보정된 상태로 일반화된다는 실증적 발견
• 신경망 decoder의 정확도 향상을 통해 기존 hand-designed decoder가 접근하지 못했던 waterfall regime을 발견하고, 이를 fault-tolerant 자원 추정의 scaling 가정 재검토로 연결

Limitation & Further Study

• 논문 발췌에는 Cascade의 학습 비용, 학습에 필요한 데이터량(시뮬레이션 shot 수), 그리고 실제 하드웨어(FPGA/ASIC) 상에서의 실시간 구현 가능성에 대한 구체적 논의가 부족해 보인다.
• 평가가 GPU(NVIDIA H200) 추론에 기반하며 비교 대상 decoder는 single-threaded CPU 결과를 사용해 공정한 latency 비교인지에 대한 추가 검증이 필요하다.
• surface code와 BB code 두 계열에 대해서만 검증되었으며, 다른 형태의 고차원/비주기적 lattice를 가진 code에 대한 일반화 가능성은 추가 연구가 필요하다.
• 실제 양자 하드웨어의 noise가 이상적인 circuit-level depolarizing model과 다를 경우(예: 상관 오류, drift) 모델의 강건성에 대한 검증이 추가로 필요하다.

Evaluation

총평: 이론적 통찰(대칭성 기반 아키텍처)과 실질적 성능 향상(정확도-지연시간 trade-off의 대폭 개선)을 동시에 달성했으며, fault-tolerant 양자컴퓨팅의 자원 추정에 영향을 줄 수 있는 waterfall regime 발견은 이론과 실무 양쪽에서 상당한 파급력을 가질 것으로 보인다.