ising-predecoder-si1000-finetune
пре-декодеры NVIDIA Ising под шум SI1000
2 min readupdated
Набор дообученных чекпоинтов для квантовой коррекции ошибок: модели выступают в роли пре-декодеров поверх классического алгоритма PyMatching и помогают точнее исправлять сбои в поверхностных кодах (surface codes). В основе лежат официальные модели nvidia/Ising-Decoder-SurfaceCode-1-Accurate (~1.8M параметров) и nvidia/Ising-Decoder-SurfaceCode-1-Fast (~913K параметров) от автора dreamstickkkkk9090. Оригинальные чекпоинты NVIDIA обучались на деполяризующем шуме и плохо переносились на другие типы помех, а эта версия адаптирована специально под шумовую модель уровня квантовых схем SI1000. Подойдёт исследователям квантовых вычислений и разработчикам систем коррекции ошибок, работающим с симуляциями поверхностей кодов.
Ключевые особенности
- Заметный рост точности: на дистанции 13 и 52 раундах при шуме SI1000 (p = 0.003) модель
ft3снижает частоту логических ошибок (LER) в 1.63 ± 0.03 раза относительно одного PyMatching (против 1.24 ± 0.02 у базовой версии NVIDIA). - Три варианта под разные задачи: в репозитории лежат чекпоинты
ft3иft4на базе Accurate (обучены при уровне шума p = 0.003 и p = 0.002) и лёгкийft1на базе Fast в форматеfp16. - Готовые ONNX-экспорты: для
ft3(d = 13, 13 раундов) иft1(d = 9, 9 раундов) добавлены файлы.onnxдля запуска без полного пайплайна обучения. - Обобщение на новые дистанции: при тестировании на d = 17 и 34 раундах (параметры не встречались при дообучении)
ft3показывает улучшение 1.69 ± 0.07 против 1.12 ± 0.04 у исходного чекпоинта.
Что можно сделать
- Симулировать квантовую память с шумом SI1000: подключить веса в официальный репозиторий NVIDIA
Ising-Decodingдля оценки логических ошибок на дистанциях от 9 до 17. - Встроить в собственный декодер через ONNX: подавать на вход массив событий обнаружения
uint8, получать предсказанный бит логического переворота и остаточные синдромы для последующей передачи в PyMatching.
Пример
export PREDECODER_SAFETENSORS_CHECKPOINT=/path/to/ft3_acc_si1000_epoch16_fp16.safetensors
export CONFIG_NAME=config_acc_si1000_p003
export EXPERIMENT_NAME=my_eval WORKFLOW=inference DISTANCE=13 N_ROUNDS=13
bash code/scripts/local_run.sh
Подробнее
Обучение: одна видеокарта NVIDIA RTX PRO 4000 Blackwell (24 ГБ), оптимизатор Lion, от ~6.5 до 7.3 часа на конфигурацию.Скорость: на RTX PRO 4000 (FP32, d = 13, 13 раундов, batch 64) связка пре-декодер + PyMatching занимает 92 мкс на выстрел против 49 мкс у чистого PyMatching (сам этап сопоставления ускоряется в 2.8 раза).
Ограничения: обучено и проверено только на симуляциях; на деполяризующем шуме уступает базовым весам NVIDIA; при низком шуме (p = 0.002, 13 раундов) не обходит PyMatching в одиночку.










Comments