量子科技中心_量科网

高速、可靠的解码器是实现容错量子计算（FTQC）的关键组件。AlphaQubit等神经网络解码器已展现出超越传统人工设计解码算法的更高准确率，但其现有实现方案缺乏实时解码超导逻辑量子位生成症状流所需的并行能力。更关键的是，将AlphaQubit与基于滑动窗口的并行解码方案结合存在显著挑战：该神经网络仅训练输出对应整个内存实验全局逻辑校正的单个比特，而非易于整合的局部物理校正。该团队通过专门训练适用于并行窗口解码的循环式Transformer神经网络解决这一问题——尽管仍输出单个比特，但研究人员从一组连贯的局部校正中推导训练标签，并同步训练多种解码窗口类型。该方法使神经网络能在相邻窗口间自我协调，实现对任意长度内存实验的高精度并行解码，从而突破了此前阻碍AlphaQubit型解码器应用于FTQC的吞吐量瓶颈。这项工作首次提出兼具SOTA级准确率与实时量子纠错严苛吞吐量要求的可扩展神经网络并行解码框架。通过端到端实验流程，该研究团队在祖冲之3.2超导量子处理器上对距离达7的表面码进行解码基准测试，验证了其卓越的准确率。实验还证明：采用该方案后，单个TPU v6e可在每轮解码1微秒内处理距离达25的表面码。