Entdeckung hoch effizienter, leichter Quantenfehlerkorrekturcodes durch bestärkendes Lernen

Discovering highly efficient low-weight quantum error-correcting codes with reinforcement learning

February 20, 2025

Autoren: Austin Yubo He, Zi-Wen Liu

cs.AI

Zusammenfassung

Die Realisierung skalierbarer, fehlertoleranter Quantencomputer wird voraussichtlich auf Quantenfehlerkorrekturcodes basieren. Im Streben nach effizienterer Quantenfehlertoleranz ist ein kritischer Codeparameter das Gewicht der Messungen, die Informationen über Fehler extrahieren, um eine Fehlerkorrektur zu ermöglichen: Da höhere Messgewichte höhere Implementierungskosten verursachen und mehr Fehler einführen, ist es im Code-Design wichtig, das Messgewicht zu optimieren. Dies erklärt das wachsende Interesse an Quanten-Low-Density-Parity-Check (qLDPC)-Codes, deren Untersuchung sich hauptsächlich auf die asymptotischen (groß-Code-Grenzwert-)Eigenschaften konzentriert hat. In dieser Arbeit stellen wir einen vielseitigen und recheneffizienten Ansatz zur Reduzierung des Stabilisatorcodegewichts vor, der auf Reinforcement Learning (RL) basiert und neue Codes mit niedrigem Gewicht erzeugt, die den Stand der Technik in praktisch relevanten Parameterbereichen erheblich übertreffen und deutlich über die bisher zugänglichen kleinen Distanzen hinausgehen. Beispielsweise zeigt unser Ansatz Einsparungen beim physischen Qubit-Overhead im Vergleich zu bestehenden Ergebnissen um 1 bis 2 Größenordnungen für Codes mit Gewicht 6 und bringt den Overhead in einen machbaren Bereich für Experimente in naher Zukunft. Wir untersuchen auch das Zusammenspiel zwischen Codeparametern mithilfe unseres RL-Rahmens und bieten neue Einblicke in die potenzielle Effizienz und Leistungsfähigkeit praktisch umsetzbarer Codierungsstrategien. Insgesamt zeigen unsere Ergebnisse, wie RL das entscheidende, aber herausfordernde Problem der Quantencode-Entdeckung effektiv vorantreiben und damit einen schnelleren Weg zur praktischen Implementierung fehlertoleranter Quantentechnologien ebnen kann.

English

The realization of scalable fault-tolerant quantum computing is expected to hinge on quantum error-correcting codes. In the quest for more efficient quantum fault tolerance, a critical code parameter is the weight of measurements that extract information about errors to enable error correction: as higher measurement weights require higher implementation costs and introduce more errors, it is important in code design to optimize measurement weight. This underlies the surging interest in quantum low-density parity-check (qLDPC) codes, the study of which has primarily focused on the asymptotic (large-code-limit) properties. In this work, we introduce a versatile and computationally efficient approach to stabilizer code weight reduction based on reinforcement learning (RL), which produces new low-weight codes that substantially outperform the state of the art in practically relevant parameter regimes, extending significantly beyond previously accessible small distances. For example, our approach demonstrates savings in physical qubit overhead compared to existing results by 1 to 2 orders of magnitude for weight 6 codes and brings the overhead into a feasible range for near-future experiments. We also investigate the interplay between code parameters using our RL framework, offering new insights into the potential efficiency and power of practically viable coding strategies. Overall, our results demonstrate how RL can effectively advance the crucial yet challenging problem of quantum code discovery and thereby facilitate a faster path to the practical implementation of fault-tolerant quantum technologies.