返回
Learning high-accuracy error decoding for quantum processors
DOI:10.1038/s41586-024-08148-8.png)
摘要
En 中文
摘要构建大规模量子计算机需要有效策略来纠正物理量子系统中不可避免出现的错误1。量子纠错码2通过将逻辑信息冗余编码到多个物理量子比特中,为实现这一目标提供了一种途径。在实现此类编码时,一个关键挑战是准确解码从冗余校验中提取的噪声综合信息,以获取正确的编码逻辑信息。本研究开发了一种基于循环结构的Transformer神经网络,用于学习解码表面码,这是目前主要的量子纠错码3。我们的解码器在Google的Sycamore量子处理器上对距离为3和5的表面码的实测数据中,表现优于其他当前最优解码器4。在距离不超过11的情况下,该解码器在包含串扰和泄漏等现实噪声的模拟数据中保持优势,并利用软读出和泄漏信息。在近似合成数据上进行训练后,该解码器通过在有限的实验样本预算下进行训练,适应了更复杂但未知的底层错误分布。本研究表明,机器学习能够通过直接从数据中学习,超越人类设计的算法,凸显了机器学习在量子计算机解码中的强大潜力。
AI总结
对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
48.5
论文数:
3.2W
被引数:
96.5W
机构
引用论文
Neural-Network Decoders for Quantum Error Correction Using Surface Codes: A Space Exploration of the Hardware Cost-Performance Tradeoffs使用表面代码进行量子纠错的神经网络解码器: 硬件成本性能权衡的空间探索
A scalable and fast artificial neural network syndrome decoder for surface codes用于表面代码的可扩展且快速的人工神经网络综合症解码器
Quantum
IF0

