量子科技中心_量科网

量子纠错（QEC）解码面临精度与效率的根本性权衡。传统方法如最小权重完美匹配（MWPM）在不同噪声模型中表现参差且具有多项式复杂度，而张量网络解码器虽能实现高精度却伴随难以承受的高计算成本。近期出现的神经解码器虽降低了复杂度，但其精度尚不足以与计算昂贵的传统方法竞争。该研究团队提出SAQ解码器——一个将基于Transformer的学习与约束感知后处理相统一的框架，既能实现接近最大似然（ML）的精度，又具备随症状规模线性增长的计算可扩展性。该方案融合了双流Transformer架构（通过非对称注意力模式处理症状和逻辑信息）与创新型可微逻辑损失函数（通过有限域上的平滑近似直接优化逻辑错误率）。在环形码测试中，SAQ解码器取得接近理论极限的表现：独立噪声下10.99%与退极化噪声下18.6%的错误阈值（ML界限分别为11.0%和18.9%），同时在精度、复杂度和参数效率上超越现有神经与传统基准方法。该工作证实学习型解码器可同步实现具有竞争力的解码精度与计算效率，为实用化容错量子计算系统解决了关键需求。