Descubrimiento de códigos cuánticos de corrección de errores altamente eficientes y de bajo peso mediante aprendizaje por refuerzo

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

February 20, 2025

Autores: Austin Yubo He, Zi-Wen Liu

cs.AI

Resumen

La realización de la computación cuántica tolerante a fallos y escalable se espera que dependa de los códigos cuánticos de corrección de errores. En la búsqueda de una tolerancia a fallos cuántica más eficiente, un parámetro crítico del código es el peso de las mediciones que extraen información sobre los errores para permitir su corrección: dado que pesos de medición más altos requieren costos de implementación más elevados e introducen más errores, es importante en el diseño de códigos optimizar el peso de las mediciones. Esto subyace al creciente interés en los códigos cuánticos de paridad de baja densidad (qLDPC), cuyo estudio se ha centrado principalmente en las propiedades asintóticas (límite de códigos grandes). En este trabajo, presentamos un enfoque versátil y computacionalmente eficiente para la reducción del peso de los códigos estabilizadores basado en el aprendizaje por refuerzo (RL), el cual produce nuevos códigos de bajo peso que superan sustancialmente el estado del arte en regímenes de parámetros relevantes en la práctica, extendiéndose significativamente más allá de las distancias pequeñas previamente accesibles. Por ejemplo, nuestro enfoque demuestra ahorros en la sobrecarga de qubits físicos en comparación con los resultados existentes de 1 a 2 órdenes de magnitud para códigos de peso 6 y lleva la sobrecarga a un rango factible para experimentos en un futuro cercano. También investigamos la interacción entre los parámetros del código utilizando nuestro marco de RL, ofreciendo nuevas perspectivas sobre la eficiencia potencial y el poder de las estrategias de codificación viables en la práctica. En general, nuestros resultados demuestran cómo el RL puede avanzar efectivamente en el problema crucial pero desafiante del descubrimiento de códigos cuánticos, facilitando así un camino más rápido hacia la implementación práctica de tecnologías cuánticas tolerantes a fallos.

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.