Découverte de codes quantiques de correction d'erreur légers et hautement efficaces grâce à l'apprentissage par renforcement

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

February 20, 2025

Auteurs: Austin Yubo He, Zi-Wen Liu

cs.AI

Résumé

La réalisation d'un calcul quantique tolérant aux fautes et scalable repose essentiellement sur les codes quantiques de correction d'erreurs. Dans la quête d'une tolérance aux fautes quantique plus efficace, un paramètre clé des codes est le poids des mesures qui extraient des informations sur les erreurs pour permettre leur correction : comme des poids de mesure plus élevés nécessitent des coûts de mise en œuvre plus importants et introduisent plus d'erreurs, il est crucial dans la conception des codes d'optimiser le poids des mesures. Cela explique l'intérêt croissant pour les codes quantiques à faible densité de parité (qLDPC), dont l'étude s'est principalement concentrée sur les propriétés asymptotiques (limite des grands codes). Dans ce travail, nous présentons une approche polyvalente et efficace sur le plan computationnel pour la réduction du poids des codes stabilisateurs, basée sur l'apprentissage par renforcement (RL), qui produit de nouveaux codes à faible poids surpassant considérablement l'état de l'art dans des régimes de paramètres pertinents en pratique, dépassant significativement les petites distances précédemment accessibles. Par exemple, notre approche démontre des économies dans la surcharge en qubits physiques par rapport aux résultats existants d'un à deux ordres de grandeur pour les codes de poids 6 et ramène cette surcharge dans une plage réalisable pour les expériences futures proches. Nous étudions également l'interaction entre les paramètres des codes en utilisant notre cadre RL, offrant de nouvelles perspectives sur l'efficacité et la puissance potentielles des stratégies de codage viables en pratique. Globalement, nos résultats montrent comment l'apprentissage par renforcement peut efficacement faire progresser le problème crucial mais difficile de la découverte de codes quantiques, facilitant ainsi une voie plus rapide vers la mise en œuvre pratique des technologies quantiques tolérantes aux fautes.

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.