量子科技中心_量科网

高效解码器对于量子纠错至关重要，而数据驱动的神经解码器已成为具有前景的灵活解决方案。该研究团队提出了一种扩散模型框架，用于从量子低密度奇偶校验码的校正子测量中推断逻辑错误。通过采用双变量自行车码并模拟实际电路级噪声，研究证明掩码扩散解码器相比其他先进解码器（包括带有序统计解码的置信传播方法BP-OSD和自回归神经解码器）具有更高准确度——平均速度通常更快，最坏情况下速度始终更快。该工作表明，在推理过程中减少扩散步骤可在精度损失极小的情况下显著提升速度。通过分析训练神经网络中的注意力因子，研究人员发现，尽管仅基于校正子-逻辑错误配对样本进行训练，该扩散解码器仍能掌握量子码的结构特性。团队还对比了掩码与连续扩散解码器在码容量噪声模型下的表现，证实掩码扩散解码器具有更优的扩展性。