量子科技中心_量科网

量子纠错（QEC）是可扩展量子计算的关键，但传统算法的解码过程存在精度受限（即逻辑错误抑制不足）和开销过高的问题，而基于推理的解码器能有效缓解这两大缺陷。目前，此类机器学习（ML）解码器仍缺乏实际容错应用所需的两项核心特性：可靠的不确定性量化能力以及对未知编码的强泛化性。为此，该研究团队提出QuBA——一种融合点积与多头注意力的贝叶斯图神经网络解码器，既能实现高表达力的错误模式识别，又可提供校准化的不确定性评估。基于QuBA，研究人员进一步开发了SAGU（不确定性下的序列聚合泛化框架），这种多编码训练架构通过增强跨域鲁棒性实现了对训练集外编码的解码能力。针对双变量自行车码（BB码）及其互质变体的实验表明：（1）QuBA与SAGU均持续超越经典置信传播（BP）基线，将逻辑错误率（LER）平均降低一个数量级，在互质BB码[[154,6,16]]的高置信决策边界下甚至可达两个数量级；（2）QuBA还显著优于最先进的神经解码器，即便采用保守（安全）决策边界时，对较大规模BB码[[756,16,≤34]]仍保持约一个数量级的优势；（3）SAGU的解码性能与QuBA的专域训练方法相当甚至更优。