Descobrindo códigos quânticos de correção de erros altamente eficientes e de baixo peso com aprendizado por reforço

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

February 20, 2025

Autores: Austin Yubo He, Zi-Wen Liu

cs.AI

Resumo

A realização da computação quântica tolerante a falhas e escalável espera-se que dependa de códigos de correção de erros quânticos. Na busca por uma tolerância a falhas quântica mais eficiente, um parâmetro crítico do código é o peso das medições que extraem informações sobre os erros para permitir a correção de erros: como pesos de medição mais altos exigem custos de implementação mais elevados e introduzem mais erros, é importante no projeto de códigos otimizar o peso das medições. Isso fundamenta o crescente interesse em códigos quânticos de verificação de paridade de baixa densidade (qLDPC), cujo estudo tem se concentrado principalmente nas propriedades assintóticas (limite de códigos grandes). Neste trabalho, introduzimos uma abordagem versátil e computacionalmente eficiente para a redução de peso de códigos estabilizadores baseada em aprendizado por reforço (RL), que produz novos códigos de baixo peso que superam substancialmente o estado da arte em regimes de parâmetros praticamente relevantes, estendendo-se significativamente além das pequenas distâncias anteriormente acessíveis. Por exemplo, nossa abordagem demonstra economias na sobrecarga de qubits físicos em comparação com os resultados existentes por 1 a 2 ordens de magnitude para códigos de peso 6 e traz a sobrecarga para uma faixa viável para experimentos no futuro próximo. Também investigamos a interação entre os parâmetros do código usando nossa estrutura de RL, oferecendo novos insights sobre a eficiência e o poder potencial de estratégias de codificação praticamente viáveis. No geral, nossos resultados demonstram como o RL pode avançar efetivamente o problema crucial, mas desafiador, da descoberta de códigos quânticos e, assim, facilitar um caminho mais rápido para a implementação prática de tecnologias quânticas tolerantes a falhas.

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.