量子科技中心_量科网

量子纠错技术通过将逻辑量子位编码为冗余的多个物理量子位来检测和修正物理量子位中的错误，是实现实用化量子计算的必要条件。表面码因其由稳定子生成元定义的高容错阈值，被认为是一种极具前景的编码方法。然而，现有方法存在解码器仅能获取误差概率分布的问题，这是由于从输入中获得的正确预测具有非唯一性所致。 为解决这一问题，该研究团队提出了一种通过神经网络数学插值实现症状测量连续函数近似、进而重新优化解码器模型的技术。研究人员评估了基于多层感知机的解码器在码距5和7时的精度提升，同时测试了基于卷积神经网络、循环神经网络及Transformer架构的解码器在码距5时的表现。在所有案例中，重新优化的解码器均展现出优于原模型的准确度，证明了该方法不依赖于码距或网络架构的普适有效性。这些结果表明，将表面码解码问题重构为可通过深度学习解决的回归问题，是一种行之有效的策略。