主要成果
延世大学の研究チームは、Mamba構造の状態空間アーキテクチャを採用したニューラル量子誤り訂正（QEC）デコーダを開発し、計算複雑性をコード距離 $d$ に対して $O(d^4)$ から $O(d^2)$ へと低減させました。npj Quantum Information誌に掲載された本研究では、Google Quantum AIのSycamoreハードウェアデータセットを用いた検証において、本モデルがAlphaQubitなどのTransformerベースのモデルと同等の精度を維持しつつ、リアルタイム処理を妨げる計算上のボトルネックを排除できることを実証しました。
技術・詳細
平面表面コードにおけるシンドローム抽出では、スタビライザーの数（$N_{stab} = d^2 – 1$）に応じてシーケンスが生成されます。従来のTransformerベースのニューラルデコーダは、マルチヘッド自己注意（Self-Attention）メカニズムを用いてすべてのスタビライザー・トークン間でペア比較を行うため、計算量が $O(d^4)$ でスケールし、超伝導量子ビットのコヒーレンス時間であるマイクロ秒単位の制限を超えるレイテンシ（遅延）が発生していました。
対して、今回開発されたMambaデコーダは、明示的なマルチヘッド注意機構を「選択的状態空間レイヤー」に置き換えています。入力依存の線形スキャンを用いることで、圧縮された隠れ状態の中に過去のシンドローム・コンテキストを保持し、効率的な処理を可能にしました。静的なメモリベンチマークではTransformerと同等の精度を示し、デコーダ起因のレイテンシ・ノイズを考慮した条件下では、むしろエラー抑制において優位性を維持することが確認されています。
背景・業界の文脈
フォールトトレラント（耐故障性）量子計算において、デコーダが物理的なサイクル時間（超伝導ハードウェアでは通常 200〜1,000 ns）以内にシンドロームを処理できない場合、待機状態にある物理データ量子ビットに未補正の環境ノイズが蓄積するという根本的な制約があります。回路レベルの脱分極SI1000モデルを用いたシミュレーションでは、$d=3$ から $d=9$ にかけて、MambaとTransformerの間のレイテンシ起因のエラーギャップが単調に拡大することが示されました。
今後の展望
Mambaによる計算量のボトルネック解消は大きな進展ですが、これを実際の物理制御スタックに実装するには、エッジコンピューティングの制限を克服する必要があります。具体的には、再帰コア、拡張畳み込み（dilated convolutions）、およびResNet特徴埋め込み機能を、低レイテンシのFPGA（フィールドプログラマブルゲートアレイ）やカスタムASIC（特定用途向け集積回路）に移植し、サブマイクロ秒のサイクル予算内で推論を実行させる実装工程が今後の課題となります。
毎週の技術動向レポートを無料でお届け
各分野の分析レポートを読む価値があるかどうか一目で判断できるインフォグラフィックをメールで受け取れます。
📢 メールマガジンに無料登録（週刊・技術動向レポート）
ご登録いただくと、Troy-Technical から週刊で技術動向レポート（メールマガジン）をお届けします。
- 取得したメールアドレス・選択分野は配信目的にのみ使用します。
- 第三者へ提供することはありません。
- 配信はいつでも解除できます（各メール下部のリンクから）。
詳しくはプライバシーポリシーをご覧ください。
登録は1分・いつでも解除できます
