Scoperta di codici quantistici di correzione degli errori altamente efficienti e a basso peso mediante apprendimento per rinforzo

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

February 20, 2025

Autori: Austin Yubo He, Zi-Wen Liu

cs.AI

Abstract

La realizzazione di un calcolo quantistico scalabile e tollerante ai guasti si prevede dipenda dai codici quantistici di correzione degli errori. Nella ricerca di una tolleranza ai guasti quantistica più efficiente, un parametro critico del codice è il peso delle misurazioni che estraggono informazioni sugli errori per consentire la correzione degli stessi: poiché pesi di misurazione più elevati richiedono costi di implementazione maggiori e introducono più errori, è importante ottimizzare il peso delle misurazioni nella progettazione dei codici. Ciò è alla base del crescente interesse per i codici quantistici a bassa densità di controllo di parità (qLDPC), il cui studio si è concentrato principalmente sulle proprietà asintotiche (limite di codici di grandi dimensioni). In questo lavoro, introduciamo un approccio versatile e computazionalmente efficiente per la riduzione del peso dei codici stabilizzatori basato sull'apprendimento per rinforzo (RL), che produce nuovi codici a basso peso che superano significativamente lo stato dell'arte in regimi di parametri praticamente rilevanti, estendendosi ben oltre le piccole distanze precedentemente accessibili. Ad esempio, il nostro approccio dimostra un risparmio nell'overhead di qubit fisici rispetto ai risultati esistenti da 1 a 2 ordini di grandezza per codici di peso 6 e porta l'overhead in un intervallo fattibile per esperimenti nel prossimo futuro. Investigiamo inoltre l'interazione tra i parametri del codice utilizzando il nostro framework RL, offrendo nuove intuizioni sul potenziale di efficienza e potenza delle strategie di codifica praticamente fattibili. Nel complesso, i nostri risultati dimostrano come l'RL possa avanzare efficacemente il problema cruciale ma impegnativo della scoperta di codici quantistici, facilitando così un percorso più rapido verso l'implementazione pratica di tecnologie quantistiche tolleranti ai guasti.

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.