Het ontdekken van zeer efficiënte, lichtgewicht quantumberichtingscorrectiecodes met reinforcement learning

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

February 20, 2025

Auteurs: Austin Yubo He, Zi-Wen Liu

cs.AI

Samenvatting

De realisatie van schaalbare, fouttolerante quantumcomputing wordt verwacht te steunen op quantumfoutcorrectiecodes. In de zoektocht naar efficiëntere quantumfouttolerantie is een cruciale codeparameter het gewicht van metingen die informatie over fouten extraheren om foutcorrectie mogelijk te maken: aangezien hogere meetgewichten hogere implementatiekosten met zich meebrengen en meer fouten introduceren, is het belangrijk bij het ontwerpen van codes om het meetgewicht te optimaliseren. Dit verklaart de groeiende interesse in quantum low-density parity-check (qLDPC) codes, waarvan het onderzoek zich voornamelijk heeft gericht op de asymptotische (grote-code-limiet) eigenschappen. In dit werk introduceren we een veelzijdige en computationeel efficiënte aanpak voor het verminderen van het gewicht van stabilisatorcodes, gebaseerd op reinforcement learning (RL), die nieuwe codes met laag gewicht oplevert die de standaard aanzienlijk overtreffen in praktisch relevante parameterregimes, en die aanzienlijk verder gaan dan voorheen toegankelijke kleine afstanden. Zo toont onze aanpak bijvoorbeeld besparingen in fysieke qubit-overhead aan in vergelijking met bestaande resultaten met 1 tot 2 ordes van grootte voor codes met gewicht 6, en brengt de overhead binnen een haalbaar bereik voor experimenten in de nabije toekomst. We onderzoeken ook de wisselwerking tussen codeparameters met behulp van ons RL-raamwerk, wat nieuwe inzichten biedt in de potentiële efficiëntie en kracht van praktisch haalbare coderingsstrategieën. Over het geheel genomen tonen onze resultaten aan hoe RL effectief het cruciale maar uitdagende probleem van quantumcode-ontdekking kan bevorderen en daardoor een snellere weg kan faciliteren naar de praktische implementatie van fouttolerante quantumtechnologieën.

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.