Optimización de la corrección de errores cuánticos y desarrollo de aplicaciones con CUDA-QX 0.4

TL;DR

• CUDA-QX 0.4 acelera flujos de trabajo de QEC de extremo a extremo en GPUs, desde la definición y simulación de códigos con modelos de ruido a nivel de circuito hasta la configuración de decodificadores y su despliegue junto a QPUs físicos. La versión destaca componentes clave del flujo a través de la API CUDA-Q QEC. Consulta el blog de NVIDIA para notas de lanzamiento y desarrollo continuo: blog CUDA-Q.
• Un aspecto clave es la generación automática del DEM (Detector Error Model) a partir de un circuito QEC y un modelo de ruido especificados. El DEM puede usarse para muestreo de circuitos en simulación y para decodificar los síndromes usando la interfaz de decodificador estándar de CUDA-Q QEC.
• Un decodificador de red tensorial (tensor-network) con soporte para Python 3.11+ ofrece benchmarks de decodificación precisos, sin necesidad de entrenamiento, para usar junto a otros decodificadores.
• Belief Propagation + Ordered Statistics Decoding (BP+OSD) recibe mejoras de flexibilidad: verificación de convergencia configurable por iteración, recorte de mensajes para evitar problemas numéricos, elección entre algoritmos BP (sum-product vs min-sum), escalado adaptativo y registro de historiales de LLR.
• la biblioteca Solvers incluye un Generative Quantum Eigensolver (GQE) listo para usar, basado en un modelo de transformador para buscar eigenestados de Hamiltonianos cuánticos, y una nueva API para generar DEM automáticamente a partir de circuitos de memoria CUDA-Q. CUDA-Q QEC tiene como objetivo proporcionar cada componente del flujo mediante una API completa. Esta versión 0.4 ilustra estas adiciones clave, mostrando cómo los investigadores pueden ensamblar rápidamente experimentos QEC de punta a punta. Para notas completas de lanzamiento y desarrollo continuo, consulta el repositorio de GitHub vinculado en el blog. El DEM (Detector Error Model) es central para describir errores en las mediciones de stabilizers, que son circuitos cuánticos con ruido. En CUDA-Q QEC 0.4, el DEM puede generarse automáticamente a partir de un circuito QEC y un modelo de ruido especificados, y luego usarse tanto para muestreo en simulación como para decodificar los síndromes mediante la interfaz de decodificador CUDA-Q QEC. En circuitos de memoria, toda la lógica necesaria ya está proporcionada por la API CUDA-Q QEC. El concepto DEM tiene sus raíces en Stim (Quantum, 2021) y en trabajos citados en el blog de NVIDIA. El enfoque de red tensor para el decodaje ofrece una referencia directa y sin necesidad de entrenamiento para benchmarking, con soporte para Python 3.11 dentro de CUDA-Q QEC. Esta versión también trae mejoras en la implementación de BP+OSD en GPU, con nuevas opciones para monitorizar y ajustar el rendimiento. CUDA-QX 0.4 introduce Iter_per_check, clip_value, bp_method, scale_factor y opt_results con bp_llr_history, permitiendo a los investigadores ajustar las verificaciones de convergencia, estabilizar el paso de mensajes, elegir algoritmos de decodificación, escalar dinámicamente y registrar historiales de LLR durante el decodaje. Consulte la documentación de la API Python y C++ para detalles completos y ejemplos. Una adición notable es el Generative Quantum Eigensolver (GQE) ya integrado en la biblioteca Solvers. GQE es un enfoque híbrido que utiliza un modelo de IA clásico (en el ejemplo actual, un transformador) para diseñar programas cuánticos destinados a encontrar eigenestados de Hamiltonianos cuánticos, especialmente el estado fundamental. A diferencia del VQE, donde el programa cuántico tiene una parametrización fija, el diseño del programa se realiza en el modelo clásico, con la esperanza de evitar problemas de convergencia como los valles planas (barren plateaus). El ejemplo actual proporciona una función de coste adecuada para simulaciones a pequeña escala. Esta versión de CUDA-QX 0.4 también actualiza la implementación de GQE para facilitar la integración y la investigación continua descritas en el blog de NVIDIA. Consulte la documentación de la API Python y los ejemplos para detalles completos sobre la implementación de GQE en Solvers. En resumen, CUDA-QX 0.4 trae un conjunto de capacidades nuevas: generación automática de DEM a partir de circuitos de memoria y ruido, un decodificador de red tensorial con soporte para Python 3.11+, mejorasBP+OSD con controles más finos y la integración GQE para ampliar la exploración de algoritmos en un flujo CUDA-Q QEC unificado. Consulte el blog de NVIDIA para más información y enlaces a las notas de versión en GitHub. Las referencias a los flujos CUDA-Q QEC, conceptos DEM e integración de GQE se describen en el blog de NVIDIA: blog CUDA-Q.