UC San Diegoのピカソラボの研究者たちが、NVIDIA Isingニューラルプリデコーダーを評価した技術的成果を発表しました。この研究は、軽量なニューラルネットワークが、PyMatchingのような主デコーダーに到達する前にシンドロームを前処理することで、量子誤り訂正(QEC)をどのように高速化し改善できるかを探求しています。このシステムは従来の表面符号において大幅な性能向上を示しましたが、研究ではより高い符号化率を提供する量子低密度パリティ検査(qLDPC)符号、特に二変量自転車(BB)符号への移行についても調査されました。
プリデコーダーは、信頼度の高い局所的なエラーを特定し訂正する「フィルター」として機能します。「よりスパースな残差」シンドロームを出力することで、主デコーダーのタスクを簡素化します。量子ビットが規則的な2Dグリッド上に配置される表面符号において、研究者たちは3D畳み込みニューラルネットワーク(CNN)を利用しました。CNNの受容野が符号の規則的な空間構造と一致するため、標準的なデコーダーがしばしば近似または破棄する複雑な時空間ノイズ相関を効果的に捉えることができます。
表面符号(距離d=9)におけるNVIDIA Ising CNNの評価は、2つの主要な技術的利点を明らかにしました:
- 精度: モデルは論理エラー率（LER）を1.66倍削減することを達成した。ハードウェア固有のノイズパターン（CNOTの伝播など）を学習することで、CNNは従来のMinimum-Weight Perfect Matching（MWPM）が誤解釈する可能性のあるエラーを識別する。
- レイテンシ: シンドロームの「疎化」により、PyMatchingは最大2.12倍高速に実行できるようになった。コード距離が増加するにつれて、この古典的な高速化はより顕著になり、リアルタイム耐障害性における重要なボトルネックに対処する。
この研究では、これらの結果を二変量自転車符号用に設計されたMLP(多層パーセプトロン)プリデコーダーと比較しました。BB符号は非常に効率的です。たとえば、[[144, 12, 12]]符号は144個の物理量子ビットに12個の論理量子ビットを格納し、表面符号と比べて12倍の改善となります。しかし、これらの符号は非局所的な接続性を特徴としており、CNNの局所的なフィルターとは一致しません。
結果は、MLPが非常に低い物理エラー率(p=0.01)において14倍のLER削減を提供する一方で、より高いエラー率ではその利点が消失することを示しました。これは、ピカソラボによって特定された中核原理を強調しています:アーキテクチャと符号の整合性です。ニューラルプリデコーダーは、その内部構造(CNNのグリッドなど)が量子符号のタナーグラフの物理的接続性を反映している場合に最も堅牢になります。今後の研究は、qLDPC符号の非平面接続性により適合するグラフニューラルネットワーク(GNN)の使用に焦点を当てる予定です。
完全な技術ブログとベンチマークコードについては、UC San Diegoのピカソラボを参照してください。
2026年4月15日
