A hibamentes, hasznos kvantumszámítógépekhez hibajavításon alapuló (fault-tolerant) logikai műveletekre van szükség. E célból a kutatók többféle kvantum hibajavító (QEC) kódot vizsgálnak, hogy csökkentsék a kvantumfeldolgozó egységek (QPU-k) logikai hibaarányát (Logical Error Rate, LER). A topológiai kódok közül a surface kódokról viszonylag jól ismert, hogyan lehet logikai műveleteket végrehajtani lattice surgery-val, de számítási logika szempontjából nem minden esetben a leghatékonyabbak.
A Color Code-ok egy másik jól ismert topológiai kódcsalád. Memória célra több fizikai qbitet igényelhetnek, mint a surface kódok ugyanazon cél LER-hez, viszont logikai műveletek végrehajtásában hatékonyabbak lehetnek: minden Clifford kaput transzverzálisan támogatnak, és ábrázolásuk szimmetriája egyszerűbb lattice-surgery műveleteket tesz lehetővé. Ha rendelkezésre állnak gyors és pontos dekóderek, elképzelhető, hogy bizonyos paramétertartományokban a color code alapú logika hatékonyabb lehet, mint a surface kódoké. A color code-ok eddig háttérbe szorultak, mert a dekódolásuk nehezebb, és nem volt elegendően gyors, valós idejű használatra alkalmas, pontos dekóder.
Mi az NVIDIA bejelentése?
NVIDIA bemutatta az "Ising Decoder ColorCode 1 Fast" modellt, egy 3D konvolúciós neurális háló alapú (CNN) pre-dekódert háromszögletű (triangular) color code-okra. A cég azt állítja, hogy a pre-dekóderrel kombinált dekódolási folyamat a korábbi állapot‑of‑the‑art Chromobius dekóderhez képest jelentős javulást hoz: példaként említik, hogy kódtávolság d=31 és fizikai hibaarány p=0.3% mellett több mint 347.7× jobb LER-t és 7.3× gyorsabb futást teljesítményben.
A pre-dekóder célja, hogy tér-idő blokkokban lokális hibaszindrómákat kezeljen, előfeldolgozza (sparsify) a szindrómákat, és így vagy közvetlenül, vagy utólagos globális dekóderrel együtt csökkentse a logikai hibaarányt és a késleltetést. Mivel a modell teljes tér-idő korrekciókat jelez előre és lokális (független a bemenet méretétől vagy geometriájától), alkalmas lehet párhuzamos, blokkos dekódolási architektúrákban való alkalmazásra, amely kulcsfontosságú a valós idejű dekódoláshoz kvantumalgoritmusok futtatása közben.
Műszaki részletek és példa használat
A cég bemutat egy könnyen követhető edzési és mérési munkafolyamatot. A pipeline a következő NVIDIA eszközöket használja: cuQuantum, a cuStabilizer könyvtár és PyTorch; a csomagok segítségével szintetikus tanítómintákat generálnak, majd 3D CNN-t tanítanak a dekódolási feladatra. A felhasználónak csak a zajmodellt, a háromszögletű color code távolságát és a modelmélységet kell megadnia — mélyebb modellek általában pontosabbak, de lassabbak.
A publikált demonstrációs kódban szerepel egy rövid példa: egy distance-5 color-code memóriatesztet állítanak össze szuperdenz szindróma-extrakcióval és Si1000 környezeti zajjal p=1e-3 (0.1%) paraméterrel. A példa lefuttatása a Chromobius dekóderrel körülbelül 3.6×10^-3 LER-t ad (körülbelül 7.3×10^-4 per kör), amelyből további kódtávolság- és hibaszázalék-sweeppel küszöb görbéket lehet felrajzolni.
A ColorCode 1 Fast modell konkrét jellemzői: 17 réteg, 13-as receptive field, bemeneti térfogatokra tervezett méret 13×13×19, és hozzávetőleg 2,900,000 paraméter. Mérete miatt hatékonyan fut GPU-n, de kisebb modellként kevesebb javulást hoz a LER-ben a nagyobb modellekhez képest — így gyakorlati választásnál mérlegelni kell a futási idő és a pontosság közötti kompromisszumot.
Nyílt forrás és elérhető anyagok
Az NVIDIA Ising modellcsalád teljesen nyílt: a súlyok, az edzési architektúrák, az adatok, a benchmarkok és a receptek elérhetők, hogy mások módosíthassák, telepíthessék és finomhangolhassák saját QPU‑juk zajprofiljaihoz. A ColorCode 1 Fast-hoz készített teljes tanítási pipeline közzétéve található Apache 2.0 licenc alatt (Ising Decoding training architecture and cookbook GitHub). Emellett a cég egy Color Code Model Architecture tanulmányt és további elemzéseket ajánl az érdeklődőknek.
Miért fontos ez?
A gyors és pontos dekóderek kulcsfontosságúak ahhoz, hogy alternatív topológiai kódok — például a color code-ok — ismét versenyképesek legyenek a kvantumlogika végrehajtásában. Ha az ígért teljesítményjavulások megvalósulnak több paramétertartományban is, a color code-alapú megoldások visszakerülhetnek az esélyes opciók közé a fault-tolerant kvantumszámítás megvalósításához.
Az NVIDIA eszközei és a nyílt forrású anyagok lehetővé teszik a QPU-fejlesztők és dekóder‑fejlesztők számára, hogy saját zajmodellekhez igazítsák a pre-dekódert, és skálázható dekódolási architektúrákat építsenek a nagyobb, logikai műveleteket végző rendszerekhez.
