作者: Hanyan Cao, Dongyang Feng, Zixuan Lu, Cheng Ye, Feng Pan

1. 核心物理图象

• 量子纠错需要解码器来解读综合征，而解码器的性能高度依赖于它假设的噪声模型（即每个物理错误发生的先验概率）。如果这个噪声模型不准确，纠错效果会大打折扣。

• 这篇论文的核心思想是：不依赖解码器，而是直接从实验测得的综合征数据中，通过最大似然估计来学习噪声模型的参数。关键技巧是把“给定噪声参数下观察到某综合征的概率”映射为统计物理中自旋模型的配分函数，从而可以精确计算这个概率，并对噪声参数求梯度。

• 简单来说，作者让噪声参数自己“拟合”实验数据，而不是让解码器去“试错”。得到的噪声先验可以即插即用地用于多种解码器，在多个谷歌超导量子比特数据集上降低了逻辑错误率。

2. 关键术语解释

• dMLE（可微最大似然估计）：本文提出的核心框架。它把综合征概率写成噪声参数的函数，通过梯度下降最大化观测数据的似然，从而估计噪声参数。与强化学习不同，训练过程中不需要解码器参与。

• DEM（探测器错误模型）：描述量子电路中各错误机制与其触发的探测器（综合征组合）之间概率关系的超图模型。DEM 参数就是每个独立错误机制的发生概率，是解码器所需的核心先验。

• 张量网络（Tensor Network）与 Planar 方法：两种精确计算综合征似然的手段。Planar 方法适用于重复码，通过将似然映射为对偶自旋模型的配分函数来多项式时间求解；张量网络则通过 XOR 张量和概率张量的收缩来计算表面码的似然。两者都对噪声参数可微，使得梯度优化成为可能。

3. 主要贡献

• 提出无解码器的噪声估计框架 dMLE：首次将可微最大似然估计直接用于电路级噪声参数的估计，训练循环中完全不需要运行解码器，避免了强化学习方法对特定解码器的依赖和初始化敏感性。

• 将综合征似然精确映射为统计物理模型：利用 Planar 方法精确处理重复码，利用张量网络精确处理小距离表面码（d=5、少量轮次），并通过空间子采样和时间平移对称性扩展到更大距离和更多轮次。

• 跨解码器的即插即用迁移能力：在四个实验超导数据集上验证，同一个 dMLE 先验无需重新训练即可用于 MWPM、Planar、张量网络、Tesseract、MWPF、RelayBP 等多种解码器，大多数情况下优于强化学习和关联分析先验。

• 在谷歌 Sycamore d=3 上达到与 AlphaQubit 可比的逻辑错误率：仅使用标准综合征数据（不使用泄漏辅助信息），张量网络解码器配合 dMLE 先验达到 2.908% 的逻辑错误率，接近 AlphaQubit 报道的 2.901%。

4. 研究方法

• 统计物理映射：将 DEM 中错误概率 θ_i 视为 Boltzmann 权重，将综合征概率 p_θ(s) 写成自旋模型的配分函数。对重复码，用 Planar 方法精确求解；对表面码，用张量网络收缩精确求解。

• 可微优化：由于 Planar 和张量网络计算对 θ 完全可微，可以直接计算负对数似然的梯度，用梯度下降更新 θ。梯度通过反向模式自动微分获得，一次反向传播即可得到所有参数的梯度。

• 空间子采样与掩码梯度：对 d=7 等大码，将整个码分解为五个重叠的 d=5 小块，每个小块独立计算局部综合征似然。参数更新时使用掩码梯度：每个参数只从完整包含其错误机制的块接收梯度贡献，求和后除以总块数。

• 时间平移对称性：在少量轮次（如 r=5）上训练，然后将学到的先验迁移到更多轮次的解码中。

• 与基线对比：与关联分析（CA）、强化学习（RL）、综合征估计（SE）等先验进行对比，在重复码和表面码数据集上评估逻辑错误率的降低幅度。

5. 实验结果与结论

• 重复码（BAQIS 超导数据）：dMLE 先验使 Planar 解码器的逻辑错误率在每个距离都降低，最大降幅达 30.6%；MWPM 解码器在 d≥5 时也有改善，最大降幅 8.66%。

• Sycamore d=3 表面码：张量网络解码器配合 dMLE 先验达到 2.908% 的逻辑错误率，与 AlphaQubit 的 2.901% 相当，但仅使用标准综合征数据，而 AlphaQubit 训练时还使用了泄漏分辨的三态读出等辅助信息。

• Sycamore d=5 表面码：dMLE 先验使张量网络解码器的逻辑错误率相对 RL 先验降低 7.18%，相对 CA 先验降低 4.78%；使 Tesseract 解码器相对 RL 降低 5.23%，相对 CA 降低 2.94%。

• Willow d=7 表面码：dMLE 先验使 Tesseract 解码器在 X 和 Z 基下相对 RL 先验分别降低 4.56% 和 4.83%，相对 SE 先验降低 19.9% 到 40.0%；使 RelayBP 解码器相对 RL 降低高达 25.0%。

• 开放性问题：匹配类解码器（如 CM）在使用 dMLE 先验时并未 consistently 优于 RL 先验，说明先验估计与解码器对 DEM 的处理方式之间存在复杂的相互作用，值得进一步研究。此外，将基于块的方法扩展到晶格手术电路、将可微似然用于门级和脉冲级噪声估计，都是未来方向。

6. 论文标签

量子纠错, 量子信息, 量子机器学习, 编译与优化, 物理硬件

📄 点击此处展开/折叠原文 PDF

原文链接： Differentiable Maximum Likelihood Noise Estimation for Quantum Error Correction