探测和增强基于 GNN 的 QEC 解码器的鲁棒性与强化学习鸡尾酒会效应.pdfVIP

探测和增强基于GNN的QEC解码器的鲁棒性与强化学习鸡尾酒会效应

RyotaIkeda1

1DepartmentofElectricalandElectricEngineering,YamaguchiUniversity

(10Dated:2025年8月9日)

图神经网络（GNNs）作为量子纠错（QEC）解码的有力数据驱动方法，能够直接从综合数据中学习

复杂的噪声特征。然而，这些解码器对抗微妙且具有敌意的扰动的鲁棒性仍然是一个关键的开放问题。

本研究介绍了一个新的框架，利用强化学习（RL）代理系统地探测GNN解码器的脆弱性。该RL代

理被训练为对手，目标是找到导致解码器误分类的最小综合数据修改。我们将此框架应用于在Google

QuantumAI实验表面代码数据上训练的图注意力网络（GAT）解码器。我们的结果显示，RL代理能

够成功识别特定的关键脆弱点，在极少数位翻转下实现高攻击成功率。此外，我们证明通过对抗性训

练可以显著增强解码器的鲁棒性，在此过程中，模型将根据由RL代理生成的对抗样本重新训练。这

种自动漏洞发现和目标再训练的迭代过程为开发更可靠、更稳健的神经网络解码器以实现容错量子计

算提供了一种有前景的方法。

本I.介绍行交互，并学习一种策略以翻转最少数量的综合位，从

译而导致误分类。然后，我们利用此代理发现的对抗性样

中容错量子计算机的实现取决于量子纠错（QEC）本重新训练原始解码器，这是一种称为对抗训练的技

[1]的有效性。任何QEC方案的关键组成部分是解术，可以增强其鲁棒性。我们的贡献有三个方面：(1)

2

v码器，这是一种经典算法，任务是从一组综合测量中我们引入了一种基于RL的方法来系统地探究GNN解

3推断出最可能的物理错误。虽然像最小权重完美匹配码器的漏洞。(2)通过识别GAT解码器中的关键弱点，

8

7（MWPM）[2]这样的传统解码器在简化的噪声模型下我们展示了该方法的有效性。(3)我们表明，使用这些

3

0表现最佳，但它们在面对真实量子设备中存在的复杂发现的漏洞进行对抗训练显著提高了解码器对这类攻

.

8相关噪声时性能可能会下降[3]。击的鲁棒性，清楚地展示了一条构建更可靠解码器的

0机器学习，特别是图神经网络（GNNs），通过直道路。

5

2接从实验数据中学习噪声模型提供了有前景的替代方

:

v

i案[4,5]。我们之前的工作证明了一种基于图形注意力

xII.方法论

r网络（GAT）的解码器的有效性，该解码器通过对“展

a

平”时间维度进入节点特征来处理综合数据，从而在

A.数据集和图表示

不依赖如MWPM等模型的先验理论知识的情况下捕

获时空相关性[6]。我们使用来自GoogleQuantumAI的公共表面

尽管这些基于数据的解码器显示出高精度，但它码实验数据集[3]，该数据集包含50,000次快照。原始

们的可靠性和鲁棒性尚未被充分理解。神经网络已知测量数据使用Stim包[8]处理，以生成一致的综合症

容易受到对抗攻击的影响，在这种情况下，输入的小数据对(detection_events)和相应的逻辑翻转标签

而通常难以察觉的扰动可能导致输出[7]的剧烈变化。(obs_flips)。

在量子纠错（QEC）的背景下，这样的脆弱