Открытие высокоэффективных квантовых кодов с малой массой для коррекции ошибок с использованием обучения с подкреплением

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

February 20, 2025

Авторы: Austin Yubo He, Zi-Wen Liu

cs.AI

Аннотация

Реализация масштабируемых отказоустойчивых квантовых вычислений, как ожидается, будет зависеть от квантовых кодов с коррекцией ошибок. В поиске более эффективной квантовой отказоустойчивости критическим параметром кода является вес измерений, которые извлекают информацию об ошибках для их исправления: поскольку более высокие веса измерений требуют больших затрат на реализацию и вносят больше ошибок, важно оптимизировать вес измерений при проектировании кодов. Это лежит в основе растущего интереса к квантовым кодам с низкой плотностью проверок на четность (qLDPC), изучение которых в основном сосредоточено на асимптотических свойствах (в пределе больших кодов). В данной работе мы представляем универсальный и вычислительно эффективный подход к снижению веса стабилизаторных кодов, основанный на обучении с подкреплением (RL), который создает новые коды с низким весом, значительно превосходящие современные достижения в практически значимых параметрических режимах, выходя далеко за пределы ранее доступных малых расстояний. Например, наш подход демонстрирует экономию в накладных расходах на физические кубиты по сравнению с существующими результатами на 1–2 порядка величины для кодов веса 6 и делает эти расходы приемлемыми для экспериментов в ближайшем будущем. Мы также исследуем взаимосвязь между параметрами кодов с использованием нашего RL-фреймворка, предлагая новые инсайты в потенциальную эффективность и мощность практически применимых стратегий кодирования. В целом, наши результаты показывают, как RL может эффективно продвигать решение важной, но сложной задачи открытия квантовых кодов, тем самым способствуя более быстрому пути к практической реализации отказоустойчивых квантовых технологий.

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.