대칭을 활용한 범용 안정자 디코더 프레임워크

초록

본 논문은 안정자 코드를 위한 디코더 학습 시 발생하는 라벨 중복 문제를, 코드의 패리티‑체크 대칭을 이용해 정의한 연속 함수로 보완하고, 이를 MLP로 근사한 뒤 기존 딥러닝 디코더(Transformer)를 재최적화하는 방법을 제안한다. 컬러 코드와 골레이 코드를 대상으로 실험했으며, 물리 오류율 5%에서 각각 0.8%와 0.1%의 논리 오류율 감소를 확인하였다. 또한 연속 함수 근사의 기하·대수 구조가 디코더 성능에 미치는 영향을 분석하였다.

상세 분석

이 연구는 안정자 양자 오류 정정 코드의 디코딩을 딥러닝으로 수행할 때, 동일한 증후군(syndrome)이 여러 오류 패턴에 대응한다는 라벨 중복(label degeneracy) 문제를 근본적으로 해결하려는 시도다. 기존 토릭 코드에 적용된 대칭 기반 재최적화 기법을 일반화하여, 모든 안정자 코드에 적용 가능한 연속 함수 f 를 정의한다. f는 오류 벡터 E (2n 차원 이진 벡터)를 입력으로 받아, 각 안정자 생성자의 측정값을 코사인 형태 1‑cos(π v_i)/2 로 출력한다. 여기서 v_i 는 E 와 해당 안정자 행렬 S_X, S_Z 의 내적으로 정의되며, 이 식은 실제 증후군과 정확히 일치한다. 연속 함수이므로 보편 근사 정리(Universal Approximation Theorem)에 의해 충분히 깊고 넓은 다층 퍼셉트론(MLP)으로 임의의 정확도로 근사 가능하다. 논문은