量子科技中心_量科网

量子纠错（QEC）的实时解码是实现容错量子计算的关键。一款实用的解码器必须兼具高精度与低延迟特性，同时能适应硬件噪声的时空变化。该研究团队提出了一种硬件条件化神经解码框架，其设计灵感源于超导处理器中自然存在的时间尺度分离现象——校准漂移以小时为单位发生，而纠错过程需要微秒级响应。该框架通过图编码器处理校准数据，并利用特征线性调制（FiLM）技术对轻量级卷积主干网络进行条件化控制，从而将繁重的设备统计数据处理与低延迟症状解码解耦。以IBM Fez、Kingston和Pittsburgh处理器为平台，研究人员采用一维重复码作为测试案例，累计采集超过270万次实验数据（编码距离最高达d=11）。实验表明，单一训练模型可泛化至未经训练的量子比特链及数日后获取的新校准数据。在这些未见过的实验中，FiLM条件化解码器相较于改进的最小权重完美匹配算法，逻辑错误率最高降低11.1倍。该工作发现，通过利用系统校准与解码高度异步特性的网络架构，硬件条件化神经解码在相对无条件基线可忽略的延迟开销下，展现出具有适应性的优异性能。