量子科技中心_量科网

降低实现容错量子计算所需的资源开销对于构建可扩展量子计算机至关重要。该研究团队证明，将传统最大似然（ML）解码器适配于一小部分可高效学习的物理误差特征，能显著提升量子纠错码的逻辑性能。具体而言，研究人员利用基于循环误差重构（CER）的高效表征方法获得的误差信息，该技术可获取纠错码n个量子比特上的泡利误差率。虽然描述一般噪声过程所需的泡利误差率总数随n指数级增长，但该工作表明仅需其中几个最大泡利误差率，且启发式技术可从受限数据中补全用于ML解码的泡利误差分布。应用这些技术，研究人员在多种物理相关误差模型下展示了量子码解码的显著性能提升。例如，仅利用系统中1%泡利误差率构成的CER数据，该团队就实现了相较于仅基于底层噪声过程保真度解码的10倍性能增益。这些结论凸显了近期误差表征方法在改进量子纠错和降低开销方面的潜力。