NVIDIA の Ising デコーディングがカラーコードの論理エラー率を 300 倍以上削減
NVIDIA は、カラーコード量子誤り訂正の復号を加速する「Ising Decoder」を開発し、既存技術と比較して論理エラー率を約 348 倍改善、実行速度も 7.3 倍向上させることに成功した。
キーポイント
カラーコードの復号課題と解決
カラーコードは論理ゲートの効率的な実行が可能だが、従来の復号器が低速・低精度であったため実用化が遅れていた。NVIDIA の新手法はこのボトルネックを解消する。
Ising Decoder の劇的な性能向上
開発された「Ising Decoder ColorCode 1 Fast」は、d=31、物理エラー率 0.3%の条件下で、既存最高峰である Chromobius と比較して論理エラー率を 347.7 倍改善し、実行速度も 7.3 倍高速化した。
AI 駆動型ニューラルネットワーク復号器
3D コンボリューションニューラルネットワーク（CNN）を事前復号器として活用するトレーニングパイプラインを採用し、局所的なエラーシンドロームの処理を高速化することでリアルタイム性を確保している。
量子コンピュータ実用化への道
この技術的飛躍により、カラーコードが表面符号に代わる効率的な論理演算の選択肢として再評価され、耐故障性のある有用な量子コンピュータの実現に向けた重要な一歩となる。
リアルタイム対応とスケーラビリティ
3D CNN ベースの事前デコーダは、局所的なエラーシンド롬を処理して遅延と論理エラー率（LER）を改善し、任意のコード距離や格子手術への拡張に対応します。
柔軟なトレーニング設定
ユーザーはノイズモデル、コード距離、モデル深さのみを定義すればよく、NVIDIA cuQuantum と PyTorch を用いて合成データから最適化された 3D CNN モデルを生成できます。
簡易な実装と評価
約 20 行の Python コードで実験環境を構築し、Chromobius デコーダをコンパイルして性能を評価できるため、開発プロセスが大幅に効率化されます。
重要な引用
NVIDIA Ising Decoder ColorCode 1 Fast is designed to accelerate and improve the LER of color code decoders, enabling more than 347.7x better LER, and 7.3x faster runtime compared with the state of the art color code decoder Chromobius
Given that decoding color codes is much harder than decoding surface codes, color codes have historically been shelved due to a lack of fast and accurate decoders
Such results bring color codes back into focus for potential use in building and operating truly useful quantum computers
Real-time operations that scale in both space and time help improve latency and LERs.
They can also scale to arbitrary code distances, helping teams deploy quantum error correction decoders that will scale with their QPUs all the way to lattice surgery.
"Ising Decoder ColorCode 1 Fast has 17 layers, a receptive field of 13, and is trained on input volumes of size 13x13x19... This model has roughly 2,900,000 parameters."
影響分析・編集コメントを表示
影響分析
このニュースは、長年「理論的には優れているが実装が困難」とされてきたカラーコード方式を、AI 技術によって現実的な運用レベルに引き上げる画期的な成果を示しています。特に NVIDIA が独自開発した Ising Decoder は、量子ハードウェアの性能限界を押し広げる復号アルゴリズムとしての役割を果たし、耐故障性量子コンピュータの実現に向けたボトルネック解消に大きく寄与します。
編集コメント
量子計算のボトルネックである「復号速度と精度」を AI で解決した事例として、ハードウェア開発だけでなくソフトウェア・アルゴリズム面からのアプローチが極めて重要であることを示しています。
実用化される量子コンピュータには、誤り耐性のある論理演算が不可欠です。研究者たちはこれを実現するため、さまざまな量子誤り訂正（QEC）符号を探索し、量子プロセッサユニット（QPU）の論理エラー率（LER）の低減に取り組んでいます。
トポロジカル符号ファミリーに属する表面符号については、格子手術を通じて論理演算を実行する方法が確立されています。しかし、表面符号はメモリ用途には量子ビット効率が優れていますが、誤り耐性のある論理計算を行うという点では、他のトポロジカル符号と比較して最適とは言えません。
量子低密度パリティチェック（QLDPC）符号も、定数率を持つためメモリエネルギー効率に優れ、必要な物理量子ビット数が最小で済む QEC 方式の一種です。しかし、QLDPC 符号を用いて論理レベルで Clifford 演算と非-Clifford 演算をともに効率的に行う方法については、まだ不明な点が残っています。
カラーコードもまた、よく理解されているトポロジカル符号の一つです。同じ目標の論理故障率を達成するには表面符号よりも多くの物理量子ビットが必要ですが、すべての Clifford 演算を横断的（transversal）に実行できる能力と、表現の対称性による単純な格子手術操作が可能であるため、表面符号よりも効率的に論理演算を行えます。高速で高精度なデコーダーが利用できれば、カラーコードを用いた論理計算が表面符号よりも効率的になるパラメータ領域が存在する可能性が高いです。
デコードの難易度が表面符号よりもはるかに高い色符号（カラーコード）は、リアルタイム利用を可能にする高速かつ高精度なデコーダーが不足していたため、歴史的に活用が見送られてきました。
NVIDIA Ising Decoder ColorCode 1 Fast は、色符号デコーダーの論理エラー率（LER）を加速・改善するために設計されたモデルです。d=31、物理エラーレート 0.3% の条件下で、既存の最先端デコーダーである Chromobius と比較して、LER が 347.7 倍も改善され、実行速度は 7.3 倍高速化されました。これらの成果により、色符号が実用的な量子コンピュータの構築・運用に向けた有力な選択肢として再び注目されるようになりました。
以下の動画では、Ising Decoder ColorCode 1 のトレーニング方法を解説しています。
*Video 1. NVIDIA Ising Decoding training demonstration*
イジングデコーディング
イジングデコーディングのトレーニングパイプラインを利用すれば、量子プロセッサ（QPU）の構築者や運用者、デコーダー開発者は、三角形状の色符号向けに設計された小規模な 3 次元畳み込みニューラルネットワーク（CNN）ベースの事前デコーダーを訓練できます。空間と時間の両面でスケーラブルなリアルタイム操作により、レイテンシと論理エラー率（LER）の改善が図れます。
これらの事前デコーダーは、大量の局所的なエラーシンド롬を処理することで、デコーダーの精度向上と高速化を実現します。また、任意の符号距離に対応できるため、チームは量子誤り訂正デコーダーを QPU の拡張に合わせて、ラティス手術（lattice surgery）に至るまで段階的に展開することが可能になります。
さらに、これらは時空間全体での誤り訂正を予測するものであり、局所的（したがって入力サイズや幾何形状に依存しない）であるため、並列な時空間ブロックごとのデコーディングアーキテクチャにおいて「格子手術」を実行するために利用できます。これは量子アルゴリズム実行中のリアルタイムで誤りをデコードする上で不可欠な要素です。
ユーザーはノイズモデル、三角色符号の距離（d）、そしてモデルの深さ（深いほど精度が高くなります）を定義するだけで済みます。学習アーキテクチャでは、NVIDIA cuQuantum 内の NVIDIA cuStabilizer ライブラリ と NVIDIA PyTorch を用いて、合成トレーニングデータを生成し、タスクごとのデコーディング性能を最適化する 3D CNN（三次元畳み込みニューラルネットワーク）を訓練します。ユーザーは層の数を増減させることもでき、これにより実行時間と精度のトレードオフを調整できます。最適な CNN モデルは、符号距離、物理誤り率、グローバルなデコーダーの効果、および往復遅延の許容範囲によって決定されます。
これは、以下に示す約 20 行の Python コードで評価可能です。
- 距離 5 の色符号メモリ実験を構築する：超密集シンドローム抽出、Si1000 回路レベルノイズ（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- 回路の検出器誤りモデルから Chromobius デコーダーをコンパイルする
dem = circuit.detector_error_model(
approximate_disjoint_errors=True,
ignore_decomposition_failures=True,
)
decoder = chromobius.compile_decoder_for_dem(dem)
- ノイズのあるシンドロームをサンプリングしてデコードする
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]
- 論理誤り率の算出
ler = np.mean(np.any(pred != obs, axis=1))
print(f"logical error rate: {ler:.2e} ({ler / 5:.2e} per round)")
このコードを実行すると、論理誤り率（LER）は約 3.6e-03（ラウンドあたり 7.3e-04）という結果が得られます。ここから距離や誤り率を変化させてスウィープし、閾値曲線をトレースすることも可能です。
color_code_threshold_chromobius.py スクリプトを使えば、この一連のスウィープを単一のコマンドで実行できます。あるいは、Chromobius の前に Ising-Decoder-ColorCode-1 プリデコーダーを配置して、最終的なデコード処理の前にシンドロームをスパース化（疎化）させることも可能です。
精度か速度か：適切なモデルの選択
Ising Decoder ColorCode 1 は、層数が 17 層、受容野（receptive field）が 13 で構成されています。学習には 13x13x19 のサイズを持つ入力ボリュームを使用しますが、推論時には任意のサイズのボリュームも利用可能です。このモデルのパラメータ数は約 290 万です。
サイズが小さいため GPU 上で効率的に動作しますが、より大規模なモデルと比較すると論理エラー率（LER）の改善効果は限定的になります。
下の図 1 は、Ising Decoder ColorCode 1 が Chromobius のような一般的なオープンソースのカラーコードデコーダに付加できる価値を示しています。特定の物理エラーレートとコード距離において、事前学習済みモデルをどこで導入するのが最適かを把握できます。
image*Figure 1. NVIDIA DGX GB300 で高速実行される Ising Decoder と、NVIDIA Grace Neoverse-V2 CPU で動作する Chromobius*
NVIDIA Ising Decoder ColorCode モデル のアーキテクチャについて詳しく知りたい方や、多様な分析結果やデータを確認したい方は、以下のリンクをご覧ください。
NVIDIA Ising オープンリソースを活用して構築を始める
NVIDIA Ising モデルファミリー は完全にオープンソースです。重み（weights）、トレーニングアーキテクチャ、データセット、ベンチマーク、そしてレシピ（recipes）が公開されており、他者が独自の QPU 向けにモデルやその派生型を修正・展開・学習・微調整することを可能にしています。
トレーニングレシピ
NVIDIA は、合成データの生成を NVIDIA cuQuantum ライブラリと NVIDIA cuStabilizer を用いてリアルタイムに行いながら、PyTorch でトレーニングが可能な「Ising Decoder ColorCode 1」の完全な学習パイプラインを公開しました。このアーキテクチャにより、開発者は自身の QPU（量子プロセッサ）特有のノイズ特性に合わせたデコーダーモデルを構築できるようになります。
はじめに
NVIDIA Ising を活用するためのリソースは以下の通りです。
- Apache 2.0 ライセンスで公開されている、Ising デコーディングの学習アーキテクチャとクックブック（GitHub）
- Color Code モデルアーキテクチャに関する論文の閲覧
執筆者について
原文を表示
Useful quantum computers will require fault tolerant logical operations. Researchers are actively exploring many different quantum error correction (QEC) codes to enable this, improving the Logical Error Rates (LER) of Quantum Processing Units (QPUs). While it is well understood how to run logical operations with surface codes (which belong to the topological code family) via lattice surgery, they are qubit efficient for memory but suboptimal relative to other topological codes for performing fault-tolerant logical computation.
Quantum low-density parity-check (QLDPC) codes are another type of QEC scheme that require the least physical qubits for memory due to their constant rates. However, it is still unclear how both Clifford and non-Clifford gates can be performed efficiently at the logical level with QLDPC codes.
Color Codes are another type of topological code that are well understood. Although they require more physical qubits for memory than surface codes to achieve the same target logical failure rate, they can perform logical gates more efficiently than surface codes due to their ability to do all Clifford gates transversally and the symmetry of their representation resulting in simpler lattice surgery operations. With fast and accurate decoders, it is likely that parameter regimes exist where logic with color codes could be more efficient than logic with surface codes.
Given that decoding color codes is much harder than decoding surface codes, color codes have historically been shelved due to a lack of fast and accurate decoders, which enable users to leverage these codes in real time.
NVIDIA Ising Decoder ColorCode 1 Fast is designed to accelerate and improve the LER of color code decoders, enabling more than 347.7x better LER, and 7.3x faster runtime compared with the state of the art color code decoder Chromobius for d=31 and physical error rate of 0.3%. Such results bring color codes back into focus for potential use in building and operating truly useful quantum computers.
The following video demonstrates how to train the Ising Decoder ColorCode 1:
Ising Decoding
Using the Ising Decoding training pipeline, QPU builders, operators, and decoder developers can train small 3D Convolutional Neural Network (CNN) AI-based pre-decoders designed for triangular Color Codes. Real-time operations that scale in both space and time help improve latency and LERs. These pre-decoders accelerate and improve decoder accuracy by handling a large quantity of localized error syndromes. They can also scale to arbitrary code distances, helping teams deploy quantum error correction decoders that will scale with their QPUs all the way to lattice surgery.
Further, since they predict full space-time corrections and are local (and thus independent of the input size and geometry), they can be used to perform lattice surgery in a parallel space-time blockwise decoding architecture, which is essential for decoding errors in real time during the execution of a quantum algorithm.
Users need only define their noise model, the triangular color code distance, and model depth (deeper is more accurate). The training architecture then uses the NVIDIA cuStabilizer library within NVIDIA cuQuantum and NVIDIA PyTorch to generate synthetic training data and train a 3D CNN that optimizes decoding performance for the task. Users can also opt for more or fewer layers, which creates a runtime and accuracy trade-off. The best CNN model depends on the code distance, physical error rate, global decoder effectiveness, and round-trip latency budget.
This can be evaluated in roughly 20 lines of python code outlined below.
- Build a distance-5 color-code memory experiment: superdense syndrome extraction, Si1000 circuit-level noise at 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
- Compile a Chromobius decoder from the circuit’s detector error model
dem = circuit.detector_error_model(
approximate_disjoint_errors=True,
ignore_decomposition_failures=True,
)
decoder = chromobius.compile_decoder_for_dem(dem)
- Sample noisy syndromes and decode
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]
- Logical error rate
ler = np.mean(np.any(pred != obs, axis=1))
print(f"logical error rate: {ler:.2e} ({ler / 5:.2e} per round)")
Running this prints an LER around 3.6e-03 (7.3e-04 per round). From here you can sweep distances and error rates to trace out the threshold curve code/scripts/color_code_threshold_chromobius.py does the full sweep in one command, or drop the Ising-Decoder-ColorCode-1 pre-decoder in front of Chromobius to sparsify syndromes before the final decode.
Accuracy or speed: Selecting the right model
Ising Decoder ColorCode 1 Fast has 17 layers, a receptive field of 13, and is trained on input volumes of size 13x13x19 (although arbitrary input volumes can be used during inference). This model has roughly 2,900,000 parameters. Due to its small size, it runs efficiently on a GPU but provides less improvement to the LER compared to a larger model.
Figure 1, below, shows the value Ising Decoder ColorCode 1 can add to a common open source color code decoder like Chromobius. It shows the ideal regime for deploying the pre-decoder model given some physical error rate and code distance.
Learn more about NVIDIA Ising Decoder ColorCode model architecture and explore a wide range of analysis and results.
Start building with NVIDIA Ising open resources
The NVIDIA Ising model family is fully open. Weights, training architectures, data, benchmarks, and recipes are provided to enable others to modify, deploy, train, and fine-tune their own models and variants for their specific QPUs.
Training Recipes
NVIDIA is releasing a complete training pipeline for Ising Decoder ColorCode 1 Fast that enables users to generate synthetic data with the NVIDIA cuQuantum library, NVIDIA cuStabilizer on the fly, while training with PyTorch. This architecture enables developers to produce decoder models tailored to their specific QPU noise characteristics.
Get started
NVIDIA Ising is available with the following resources for getting started:
- Ising Decoding training architecture and cookbook GitHub under Apache 2.0.
- Read the Color Code Model Architecture Paper.
About the Authors
関連記事
今日のまとめ
AI日報で今日の重要ニュースをまとめ読み