跳到主要内容
返回时间线
arXiv来源发表:

量子纠错解码不再只求快或只求准:TCBP-JOBS 在 GPU 上把逻辑错误率压到与 Tesseract 相当,单次解码最快提速数千倍

核心概要

通用量子纠错码的解码器长期面临速度与精度的取舍:快速解码器精度不足,最可能错误解码器又慢到无法用于实时纠错。TCBP-JOBS 用一个小型多层感知机从置信传播的整条迭代轨迹中学习每个故障的校准概率,再以这些概率为起点在 GPU 上并行搜索多种排序下的候选纠正。在 72 个表面码、色码和双变量自行车码电路上,其逻辑错误率与 Tesseract 相当或更低,最大码上最多低 4.5 倍,串行解码相对稀疏化 Tesseract 提速 10 到 7400 倍。

Source-provided article image: TCBP-JOBS: GPU-Accelerated Quantum Error Correction Decoding and Noise Learning with Near-Optimal Accuracy
arXiv

深度剖析

通用量子纠错码现在可以在保持接近最可能错误解码精度的同时,以 GPU 并行解码的速度运行,速度与精度不再只能二选一。 此前通用码解码器要么快、要么准:置信传播加有序统计解码(OSD)速度快,但在量子码上置信传播常不收敛,OSD 只围绕单一排序搜索,精度落后;Tesseract 这类最可能错误解码器精度高,却因指数搜索空间在双变量自行车码上每轮需数秒。 在 72 个表面码、色码和双变量自行车码电路、物理错误率 0.1% 到 0.4% 的 SI1000 噪声下,与稀疏化短束 Tesseract 相比,36 个码/噪声设置中 17 个逻辑错误率显著更低、1 个显著更高,其余无显著差异;最大降幅 4.5 倍出现在 SI1000 噪声下的 gross 码上。

方法分两步:先修正置信传播给出的故障排序,再在这个排序附近做受控的并行搜索。 轨迹校准置信传播(TCBP)把每个故障在全部置信传播迭代中的边际对数似然比连同四个附加特征送入一个两层、每层 16 个单元的多层感知机,输出校准后的故障概率;该模型每个码族只需在模拟样本上拟合一次,约 10 秒,不需要实验数据。 抖动 OSD 束搜索(JOBS)以这些概率为起点,对每个样本生成 16 个加扰排序,各自做 OSD-0 并在限定窗口内做束搜索,全部在 GPU 上并行;在 24.2 百万样本的 Tesseract 基准上,一块 GB200 GPU 用 45 分钟完成,而 Tesseract 需 130257 CPU 线程小时。

启示与展望

演示范围是 72 个表面码、色码和双变量自行车码的存储与逻辑手术电路,物理错误率 0.1% 到 0.4%,SI1000 噪声,单块 GB200 GPU 上的串行与批量解码;噪声学习实验的数据由与 oracle 相同的探测器错误模型模拟生成。

在更低物理错误率下,稀有事件拆分显示 Tesseract 在 gross 码上更准确,TCBP-JOBS 会在某些四故障构型上失败;噪声学习衡量的是对已知模型的恢复,而非硬件上的模型失配;拆分估计缺少直接蒙特卡洛在低错误率区的独立验证。