DOI: https://doi.org/10.1103/vjn1-mbxl
تاريخ النشر: 2026-07-28
المؤلف: J. Pablo Bonilla Ataides وآخرون
الموضوع الرئيسي: خوارزميات وهندسة الحوسبة الكمومية
نظرة عامة
في هذا القسم، يناقش المؤلفون تطوير جهاز فك تشفير عصبي قائم على الانتباه مصمم للحوسبة الكمومية المقاومة للأخطاء. يتناول هذا الجهاز التحديات المتعلقة بفك التشفير السريع والدقيق والقابل للتكيف في ظل وجود ارتباطات أخطاء معقدة ناتجة عن البوابات المنطقية. تظهر الطريقة المقترحة القدرة على التعميم من التدريب على الدوائر العشوائية للتعامل بفعالية مع أحمال العمل الخوارزمية متعددة الكيوبت غير المرئية، محققة معدلات أخطاء منطقية قابلة للمقارنة مع أجهزة فك التشفير الأكثر احتمالاً (MLE) عبر أعماق دوائر مختلفة وأعداد كيوبتات.
تتضمن الإطار تقنيات قراءة تحل الخسائر لتعزيز الأداء في السيناريوهات التي تتضمن فقدان الكيوبت، كما أنه يبسط تصميم جهاز فك التشفير من خلال التركيز على الملاحظات ذات الصلة المصممة وفقًا لبنية الخوارزمية دون المساس بالدقة. توضح التحقق عبر عدة رموز تصحيح الأخطاء، بما في ذلك رموز السطح ورموز الألوان ثنائية الأبعاد، الأداء المتقدم تحت ضوضاء مستوى الدائرة. بالإضافة إلى ذلك، يوفر آلية الانتباه قابلية التفسير من خلال تسليط الضوء على الارتباطات المهمة التي تتبعها جهاز فك التشفير، مما يسهل التحقق التجريبي من الخوارزميات والهياكل المقاومة للأخطاء في الدوائر العميقة. بشكل عام، تضع النتائج أجهزة فك التشفير العصبية كأدوات عملية وعالية الأداء لتقدم الحوسبة الكمومية.
طرق
في منهجية التدريب الموضحة في هذا القسم، يعزز المؤلفون كفاءة البيانات والتعميم لجهاز فك التشفير العصبي الخاص بهم لمعالجة الدوائر من البداية إلى النهاية من خلال عدة تقنيات مبتكرة. واحدة من الطرق الرئيسية هي الإشراف الوسيط، حيث يتم توليد أمثلة تدريب إضافية عن طريق محاكاة القياسات العرضية بعد كل طبقة من دائرة تحتوي على \( n \) طبقات. ينتج عن ذلك \( n \) أمثلة تدريب متميزة من دائرة واحدة، مما يوسع بشكل كبير حجم مجموعة بيانات التدريب الفعالة، كما تم الإشارة إليه في الأعمال السابقة.
تُعرف دالة الخسارة لجهاز فك التشفير العصبي بناءً على توقع الانقلابات المنطقية التي تحدث على طول قاعدة القراءة لكل كيوبت منطقي. يتم تحديد الانقلاب المنطقي من خلال تتبع أخطاء باولي عبر الدائرة وحساب الخطأ التراكمي لباولي قبل القراءة العرضية مباشرة لاشتقاق التماثل ذي الصلة. على سبيل المثال، في رمز السطح \( d = 3 \) مع تكوين خطأ باولي \( ZYI \)، سيكون الانقلاب المنطقي 0، حيث يعكس تماثل أخطاء النوع Z. تتيح هذه الطريقة حساب الانقلابات المنطقية دون الحاجة إلى نتائج القياس الفعلية، وهو أمر بالغ الأهمية بشكل خاص للدوائر ذات قيم القياس العرضية غير الحتمية. وبالتالي، يتم تأطير جهاز فك التشفير كتصنيف ثنائي، مع تعريف خسارة التدريب كخسارة عبر الانتروبيا الثنائية، باستخدام الانقلاب المنطقي المحسوب كعلامة صحيحة.
نقاش
تم تصميم بنية جهاز فك التشفير العصبي الموصوفة للتنبؤ بالأخطاء المنطقية في الدوائر الكمومية من خلال معالجة الدوائر المنطقية المصححة للأخطاء واستخدام تمثيل مدخلات منظم يلتقط قياسات المتلازمات وبنية الدائرة. تتكون البنية من ثلاثة مكونات رئيسية: تمثيل مدخلات يتضمن تاريخ المتلازمات وعمليات الدائرة، وتضمين داخلي يتطور عبر الدائرة لتتبع ارتباطات الأخطاء، وآلية قراءة مكانية تجمع المعلومات لإنتاج توقعات بالأخطاء المنطقية. يقوم جهاز فك التشفير بنمذجة انتشار الأخطاء بشكل فعال من الناحيتين المكانية والزمنية، مما يسمح له بأخذ في الاعتبار كيفية انتشار الأخطاء بين الكيوبتات وتراكمها مع مرور الوقت.
تستخدم التمثيلات الداخلية تضمينات مستفادة لكل مثبت تلتقط تاريخ المتلازمات المحلي، والبيانات الوصفية الهندسية، والارتباطات الزمنية، والارتباطات بين الكيوبتات. يتم تحديث هذه التضمينات من خلال آليات متكررة وعمليات معالجة مكانية، مثل الالتفافات لرموز السطح والشبكات العصبية الرسومية لرموز الألوان. تجمع عملية القراءة معلومات المثبت للتنبؤ بالأخطاء المنطقية، حيث تحقق البنية دقة متقدمة قابلة للمقارنة مع مقدرات الاحتمال الأقصى التقليدية (MLE) مع تحسين كبير في سرعة الاستدلال. بالإضافة إلى ذلك، يعزز دمج معلومات الخسارة في جهاز فك التشفير أداء تصحيح الأخطاء، مما يظهر قدرة النموذج على التكيف مع عمليات الضوضاء المعقدة.
تُعزز قابلية تفسير البنية من خلال آليات الانتباه التي تكشف عن أنماط ارتباط الأخطاء، مما يوفر رؤى حول عملية اتخاذ القرار لجهاز فك التشفير. ستركز الأعمال المستقبلية على تحسين قابلية التوسع، وتطوير استراتيجيات تدريب أكثر كفاءة من حيث العينة، وتوسيع الإطار لاستيعاب رموز تصحيح الأخطاء الأكثر تعقيدًا. بشكل عام، يقدم إطار جهاز فك التشفير العصبي نهجًا واعدًا لتقدم الحوسبة الكمومية المقاومة للأخطاء، خاصة مع تعقيد الدوائر الكمومية واستخدام نماذج الضوضاء الأكثر واقعية.
DOI: https://doi.org/10.1103/vjn1-mbxl
Publication Date: 2026-07-28
Author(s): J. Pablo Bonilla Ataides et al.
Primary Topic: Quantum Computing Algorithms and Architecture
Overview
In this section, the authors discuss the development of a modular attention-based neural decoder designed for fault-tolerant quantum computing. This decoder addresses the challenges of fast, accurate, and adaptable decoding in the presence of complex error correlations induced by logical gates. The proposed approach demonstrates the ability to generalize from training on random circuits to effectively handle unseen multi-qubit algorithmic workloads, achieving logical error rates comparable to most-likely-error (MLE) decoders across various circuit depths and qubit counts.
The framework incorporates loss-resolving readout techniques to enhance performance in scenarios with qubit loss, and it simplifies decoder design by focusing on relevant observables tailored to the algorithm’s structure without compromising accuracy. Validation across multiple error correction codes, including surface codes and 2D color codes, showcases state-of-the-art performance under circuit-level noise. Additionally, the attention mechanism provides interpretability by highlighting significant correlations tracked by the decoder, thereby facilitating experimental validation of deep-circuit fault-tolerant algorithms and architectures. Overall, the findings position neural decoders as practical and high-performance tools for advancing quantum computing.
Methods
In the training methodology outlined in this section, the authors enhance the data efficiency and generalization of their neural network decoder for end-to-end circuit processing through several innovative techniques. One key approach is intermediate supervision, where additional training examples are generated by simulating transversal measurements after each layer of a circuit with \( n \) layers. This results in \( n \) distinct training examples from a single circuit, significantly expanding the effective training dataset size, as also noted in previous work.
The loss function for the neural network decoder is defined based on the prediction of logical flips that occur along the readout basis for each logical qubit. The logical flip is determined by tracking Pauli errors throughout the circuit and calculating the cumulative Pauli error just before the transversal readout to derive the relevant parity. For example, in a \( d = 3 \) surface code with a Pauli error configuration of \( ZYI \), the logical flip would be 0, as it reflects the parity of Z-type errors. This method allows for the calculation of logical flips without needing the actual measurement outcomes, which is particularly crucial for circuits with nondeterministic transversal measurement values. Consequently, the decoder is framed as a binary classifier, with the training loss defined as binary cross-entropy, using the calculated logical flip as the true label.
Discussion
The discussed neural decoder architecture is designed to predict logical errors in quantum circuits by processing error-corrected logical circuits and utilizing a structured input representation that captures syndrome measurements and circuit structure. The architecture consists of three main components: an input representation that includes syndrome history and circuit operations, an internal embedding that evolves through the circuit to track error correlations, and a spatial readout mechanism that aggregates information to produce predictions of logical errors. The decoder effectively models the propagation of errors both spatially and temporally, allowing it to account for how errors spread among qubits and accumulate over time.
The internal representation employs learned per-stabilizer embeddings that capture local syndrome history, geometric metadata, temporal correlations, and inter-qubit correlations. These embeddings are updated through recurrent mechanisms and spatial processing operations, such as convolutions for surface codes and graph neural networks for color codes. The readout process aggregates stabilizer information to predict logical errors, with the architecture achieving state-of-the-art accuracy comparable to traditional maximum likelihood estimators (MLE) while significantly improving inference speed. Additionally, the incorporation of loss information into the decoder enhances error correction performance, demonstrating the model’s adaptability to complex noise processes.
The architecture’s interpretability is enhanced through attention mechanisms that reveal error correlation patterns, providing insights into the decision-making process of the decoder. Future work will focus on improving scalability, developing more sample-efficient training strategies, and extending the framework to accommodate more complex error correction codes. Overall, the neural decoder framework presents a promising approach for advancing fault-tolerant quantum computation, particularly as quantum circuits become more intricate and realistic noise models are employed.