Avkodning av ytkoder för kvantfelskorrektion med grafneurala nätverk

Abstract

Kvantdatorer har potential att lösa beräkningsproblem som är svåra eller praktiskt omöjliga för klassiska datorer, men deras utveckling begränsas av att kvantbitar är mycket känsliga för brus och fel. För att möjliggöra storskalig kvantberäkning krävs därför effektiva metoder för kvantfelskorrektion. I detta arbete undersöks om grafneurala nätverk (GNN) kan användas som avkodare för ytkoder och prestera bättre än den etablerade metoden Minimum Weight Perfect Matching (MWPM). Projektet fokuserar på ytkoder med kodavstånd d ∈ 3, 5 implementerade på kvantdatorn IBM Miami med Nighthawk r1-processorn. Data genererades först från verkliga körningar, varefter data från en Detector Error Model (DEM) genererades utifrån den experimentella datan. Den utvecklade modellen består av en kombination av ett grafneuralt nätverk och ett rekurrent neuralt nätverk (GNN-RNN), där syndromdata representeras som grafer för att fånga både rumsliga och tidsmässiga samband mellan detektionshändelser. Modellen tränades på NAISS GPU-kluster Alvis, först på simulerad data och finjusterades därefter ytterligare med experimentell IBM-data. Resultaten visar att den färdigtränade GNN-RNN-avkodaren uppnår lägre logisk felfrekvens än MWPM för samtliga undersökta kombinationer av kodavstånd och antal rundor T ∈ 10, 20.