NVIDIA Ising Decoding giảm tỷ lệ lỗi Logic mã màu hơn 300 lần

Các máy tính lượng tử hữu ích sẽ đòi hỏi các phép toán logic chịu lỗi. Các nhà nghiên cứu đang tích cực khám phá nhiều mã sửa lỗi lượng tử (QEC) khác nhau để thực hiện điều này, cải thiện Tỷ lệ Lỗi Logic (LER) của các Đơn vị Xử lý Lượng tử (QPU). Mặc dù đã hiểu rõ cách chạy các phép toán logic với các mã bề mặt (thuộc họ mã tô pô) thông qua phẫu thuật mạng lưới, chúng hiệu quả về qubit cho bộ nhớ nhưng không tối ưu so với các mã tô pô khác để thực hiện tính toán logic chịu lỗi.

Các mã kiểm tra chẵn lẻ mật độ thấp lượng tử (QLDPC) là một loại sơ đồ QEC khác đòi hỏi ít qubit vật lý nhất cho bộ nhớ do tỷ lệ không đổi của chúng. Tuy nhiên, vẫn chưa rõ làm thế nào cả cổng Clifford và cổng phi-Clifford có thể được thực hiện hiệu quả ở cấp độ logic với các mã QLDPC.

Mã màu là một loại mã tô pô khác đã được hiểu rõ. Mặc dù chúng yêu cầu nhiều qubit vật lý hơn so với các mã bề mặt để đạt được cùng một tỷ lệ lỗi logic mục tiêu, chúng có thể thực hiện các cổng logic hiệu quả hơn so với các mã bề mặt nhờ khả năng thực hiện tất cả các cổng Clifford theo chiều ngang và tính đối xứng của biểu diễn của chúng dẫn đến các thao tác phẫu thuật mạng lưới đơn giản hơn. Với các bộ giải mã nhanh và chính xác, có khả năng tồn tại các chế độ tham số mà logic với mã màu có thể hiệu quả hơn logic với mã bề mặt.

Vì việc giải mã các mã màu khó hơn nhiều so với việc giải mã các mã bề mặt, các mã màu về mặt lịch sử đã bị xếp xó do thiếu các bộ giải mã nhanh và chính xác, cho phép người dùng tận dụng các mã này trong thời gian thực.

NVIDIA Ising Decoder ColorCode 1 Fast được thiết kế để tăng tốc và cải thiện LER của các bộ giải mã mã màu, cho phép LER tốt hơn 347.7 lần và thời gian chạy nhanh hơn 7.3 lần so với bộ giải mã mã màu tiên tiến Chromobius đối với d=31 và tỷ lệ lỗi vật lý là 0.3%. Những kết quả này đưa các mã màu trở lại trọng tâm cho việc sử dụng tiềm năng trong việc xây dựng và vận hành các máy tính lượng tử thực sự hữu ích.

Video sau đây trình diễn cách huấn luyện Ising Decoder ColorCode 1:

Video 1. Bản trình diễn huấn luyện Giải mã Ising của NVIDIA

Ising Decoding

Sử dụng quy trình huấn luyện Ising Decoding, các nhà xây dựng QPU, toán tử và nhà phát triển bộ giải mã có thể huấn luyện các bộ tiền giải mã dựa trên AI Mạng nơ-ron tích chập 3D (CNN) nhỏ được thiết kế cho Mã Màu tam giác. Các hoạt động thời gian thực có khả năng mở rộng về cả không gian và thời gian giúp cải thiện độ trễ và LER. Các bộ tiền giải mã này tăng tốc và cải thiện độ chính xác của bộ giải mã bằng cách xử lý một lượng lớn các hội chứng lỗi cục bộ. Chúng cũng có thể mở rộng đến các khoảng cách mã tùy ý, giúp các nhóm triển khai các bộ giải mã sửa lỗi lượng tử sẽ mở rộng cùng với QPU của họ cho đến khi thực hiện phẫu thuật mạng lưới.

Hơn nữa, vì chúng dự đoán các hiệu chỉnh không-thời gian hoàn chỉnh và là cục bộ (và do đó độc lập với kích thước và hình học đầu vào), chúng có thể được sử dụng để thực hiện phẫu thuật mạng trong kiến trúc giải mã theo khối không-thời gian song song, điều này rất cần thiết để giải mã lỗi theo thời gian thực trong quá trình thực thi một thuật toán lượng tử.

Người dùng chỉ cần xác định mô hình nhiễu, khoảng cách mã màu tam giác và độ sâu mô hình (càng sâu càng chính xác). Kiến trúc huấn luyện sau đó sử dụng thư viện cuStabilizer của NVIDIA trong NVIDIA cuQuantum và PyTorch của NVIDIA để tạo dữ liệu huấn luyện tổng hợp và huấn luyện một CNN 3D tối ưu hóa hiệu suất giải mã cho tác vụ. Người dùng cũng có thể chọn nhiều hoặc ít lớp hơn, điều này tạo ra sự đánh đổi về thời gian chạy và độ chính xác. Mô hình CNN tốt nhất phụ thuộc vào khoảng cách mã, tỷ lệ lỗi vật lý, hiệu quả giải mã toàn cục và ngân sách độ trễ khứ hồi.

Điều này có thể được đánh giá trong khoảng 20 dòng mã python được phác thảo dưới đây.

1. Xây dựng thí nghiệm bộ nhớ mã màu khoảng cách-5: trích xuất hội chứng siêu dày đặc, nhiễu cấp độ mạch Si1000 ở p = 0.3%

 circuit = build_color_memory_circuit(
      distance=5,
      n_rounds=5,
      basis="X",
      p_error=1e-3,
      noise_model_family="si1000",
      noise_instruction_semantics="reference",
  ).stim_circuit

2. Biên dịch một bộ giải mã Chromobius từ mô hình lỗi bộ dò của mạch

 dem = circuit.detector_error_model(
      approximate_disjoint_errors=True,
      ignore_decomposition_failures=True,
  )
  decoder = chromobius.compile_decoder_for_dem(dem)

3. Các hội chứng nhiễu mẫu và giải mã

 dets, obs = circuit.compile_detector_sampler().sample(
      100_000, separate_observables=True
  )
  packed = np.packbits(dets.astype(np.uint8), axis=1, bitorder="little")
  predictions = decoder.predict_obs_flips_from_dets_bit_packed(packed)
  pred = np.unpackbits(predictions, axis=1, bitorder="little")[:, : circuit.num_observables]

4. Tỷ lệ lỗi logic

ler = np.mean(np.any(pred != obs, axis=1))
  print(f"logical error rate: {ler:.2e}  ({ler / 5:.2e} per round)")

Chạy cái này sẽ in ra LER khoảng 3.6e-03 (7.3e-04 mỗi vòng). Từ đây bạn có thể quét các khoảng cách và tỷ lệ lỗi để vẽ đường cong ngưỡng code/scripts/color_code_threshold_chromobius.py thực hiện toàn bộ quá trình quét trong một lệnh, hoặc loại bỏ bộ tiền giải mã Ising-Decoder-ColorCode-1 phía trước Chromobius để làm thưa các syndrome trước khi giải mã cuối cùng.

Độ chính xác hay tốc độ: Chọn mô hình phù hợp

Ising Decoder ColorCode 1 Fast có 17 lớp, trường tiếp nhận là 13, và được huấn luyện trên các khối đầu vào có kích thước 13x13x19 (mặc dù có thể sử dụng các khối đầu vào tùy ý trong quá trình suy luận). Mô hình này có khoảng 2.900.000 tham số. Do kích thước nhỏ, nó chạy hiệu quả trên GPU nhưng mang lại ít cải thiện hơn cho LER so với một mô hình lớn hơn.

Hình 1, bên dưới, cho thấy giá trị mà Ising Decoder ColorCode 1 có thể bổ sung cho một bộ giải mã mã màu mã nguồn mở phổ biến như Chromobius. Nó cho thấy chế độ lý tưởng để triển khai mô hình tiền giải mã khi có một tỷ lệ lỗi vật lý và khoảng cách mã nhất định.

Hình 1. Chạy nhanh trên NVIDIA DGX GB300 với Chromobius chạy trên CPU NVIDIA Grace Neoverse-V2

Tìm hiểu thêm về kiến trúc NVIDIA Ising Decoder ColorCode và khám phá nhiều phân tích cũng như kết quả.

Bắt đầu xây dựng với các tài nguyên mở của NVIDIA Ising

Gia đình mô hình NVIDIA Ising hoàn toàn mở. Các trọng số, kiến trúc huấn luyện, dữ liệu, tiêu chuẩn đánh giá và công thức được cung cấp để người khác có thể sửa đổi, triển khai, huấn luyện và tinh chỉnh các mô hình và biến thể của riêng họ cho các QPU cụ thể của họ.

Training Recipes

NVIDIA đang phát hành một quy trình huấn luyện hoàn chỉnh cho Ising Decoder ColorCode 1 Fast, cho phép người dùng tạo dữ liệu tổng hợp bằng thư viện NVIDIA cuQuantum, NVIDIA cuStabilizer ngay lập tức, đồng thời huấn luyện bằng PyTorch. Kiến trúc này cho phép các nhà phát triển tạo ra các mô hình giải mã được điều chỉnh theo đặc tính nhiễu QPU cụ thể của họ.

Get started

NVIDIA Ising có sẵn với các tài nguyên sau để bắt đầu:

Kiến trúc đào tạo và sổ tay hướng dẫn Ising Decoding trên GitHub theo giấy phép Apache 2.0.
Đọc bài báo Kiến trúc Mô hình Color Code Color Code Model Architecture Paper.

____
Bài viết liên quan