Learning to Decode the Surface Code with a Recurrent, Transformer-Based Neural Network

要約

量子誤り訂正は、信頼性の高い量子計算の前提条件です。
この目標に向けて、主要な量子誤り訂正符号である表面符号の解読を学習するリカレント型のトランスフォーマーベースのニューラル ネットワークを紹介します。
当社のデコーダは、距離 3 および 5 の表面コードに関して、Google の Sycamore 量子プロセッサからの実世界データに対して、最先端のアルゴリズム デコーダよりも優れたパフォーマンスを発揮します。
最大 11 の距離でも、デコーダは、クロストーク、漏れ、アナログ読み出し信号などの現実的なノイズを含むシミュレートされたデータで利点を維持し、トレーニングされた 25 サイクルをはるかに超えて精度を維持します。
私たちの研究は、データから直接学習することで人間が設計したアルゴリズムを超える機械学習の能力を示し、量子コンピューターのデコードの強力な候補として機械学習を強調しています。

要約(オリジナル)

Quantum error-correction is a prerequisite for reliable quantum computation. Towards this goal, we present a recurrent, transformer-based neural network which learns to decode the surface code, the leading quantum error-correction code. Our decoder outperforms state-of-the-art algorithmic decoders on real-world data from Google’s Sycamore quantum processor for distance 3 and 5 surface codes. On distances up to 11, the decoder maintains its advantage on simulated data with realistic noise including cross-talk, leakage, and analog readout signals, and sustains its accuracy far beyond the 25 cycles it was trained on. Our work illustrates the ability of machine learning to go beyond human-designed algorithms by learning from data directly, highlighting machine learning as a strong contender for decoding in quantum computers.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google