Az NVIDIA dekódere több mint 347-szer javította a kvantumhibák arányát

A színes kódok dekódolását gyorsítaná az NVIDIA

Az NVIDIA Developer július 13-i beszámolója szerint az Ising Decoder ColorCode 1 Fast modellt a kvantumszámítógépek hibajavításának támogatására tervezték. A rendszer háromdimenziós konvolúciós neurális hálózatot használ elődekóderként, amely a lokalizált hibaszindrómákat kezeli, majd az eredményt egy további dekóder használhatja fel.

A cél a színes kódok, vagyis a color code-ok logikai hibaarányának csökkentése és a dekódolás gyorsítása. Az NVIDIA közlése szerint a modell a Chromobiushoz, a színes kódok egyik nyílt forráskódú dekóderéhez képest érte el a kiemelt eredményeket. A vállalat ezt azért tartja fontosnak, mert a színes kódok dekódolása összetettebb a felületi kódokénál, ezért korábban a gyors és pontos dekódolók hiánya korlátozta gyakorlati használatukat.

347,7-szer jobb logikai hibaarány a megadott tesztben

A vállalat által közölt összehasonlításban a teszt 31-es kódtávolságot és 0,3 százalékos fizikai hibaarányt használt. Az Ising Decoder ColorCode 1 Fast több mint 347,7-szer jobb logikai hibaarányt és 7,3-szer gyorsabb futást ért el a Chromobiushoz viszonyítva.

Az NVIDIA egy külön példában egy 5-ös távolságú színeskód-memóriakísérletet is bemutat. A Chromobius dekóderrel, 100 000 mintán végzett futtatás körülbelül 3,6 × 10^-3 logikai hibaarányt adott, ami körönként 7,3 × 10^-4 értéknek felelt meg. A kódtávolságok és a hibaarányok további vizsgálatára a vállalat egy teljes küszöbérték-vizsgálati szkriptet is ismertet.

Az Ising Decoder ColorCode 1 Fast 17 rétegből áll, befogadómezeje 13, és nagyjából 2,9 millió paramétert tartalmaz. A modellt 13×13×19 méretű bemeneti térfogatokon tanították, bár következtetéskor tetszőleges bemeneti térfogatok használhatók. Az NVIDIA szerint a kisebb modell GPU-n hatékonyan fut, cserébe egy nagyobb modellhez képest kisebb javulást ad a logikai hibaarányban.

A QPU-k zajához igazítható nyílt modellcsalád

Az Ising Decoding betanítási folyamatában a felhasználó megadja a zajmodellt, a háromszög alakú színes kód távolságát és a modell mélységét. A rendszer az NVIDIA cuQuantum részeként elérhető cuStabilizer könyvtárral és a PyTorch keretrendszerrel szintetikus tanítási adatokat állít elő, majd ezekből 3D CNN-modellt tanít. A mélyebb hálózat pontosabb lehet, miközben a rétegek száma a futási idő és a pontosság közötti kompromisszumot is meghatározza.

A vállalat szerint a lokális működés és a teljes téridős korrekciók előrejelzése lehetővé teszi a párhuzamos, téridőbeli blokkokra osztott dekódolást. Ez a felépítés a hibák valós idejű feldolgozását támogathatja a kvantumalgoritmus futása közben, például rácsműtéteknél.

Az NVIDIA Ising modellcsalád erőforrásait nyíltan teszi közzé. A ColorCode 1 Fast teljes paraméter-ellenőrzőpontjai a Hugging Face-en érhetők el OpenMDW 1.1 licenc alatt. A tanítási architektúra és a hozzá tartozó receptkönyv GitHubon, Apache 2.0 licenc alatt található. A vállalat célja, hogy a QPU-k fejlesztői és üzemeltetői saját zajjellemzőikhez igazíthassák, telepíthessék és továbbtaníthassák a dekódermodelleket.