量子科技中心_量科网

量子纠错（QEC）是实现可扩展容错量子计算的关键技术。虽然拓扑编码（如环面码）提供了硬件高效的架构，但其Tanner图中存在大量周长-4循环结构，会削弱置信传播（BP）解码的性能。因此，BP解码通常需要配合更复杂的二级解码器（如最小权重完美匹配）使用。这类组合式解码器虽能实现卓越性能，却以复杂度激增为代价。本文提出两项针对环面码解码的关键改进：首先用神经BP解码器替代传统BP解码器，构建出神经置信匹配解码器，显著降低平均解码复杂度。但该方法存在神经网络训练成本过高的缺陷，为此研究人员在神经BP解码器中引入卷积架构，利用编码因子图空间同构特性实现权重共享。这种设计使得基于中等规模拓扑码训练的模型可直接迁移至更大规模实例，在保持解码质量的同时大幅减轻训练负担。针对不同尺寸环面码晶格的数值实验表明，该技术不会造成明显的性能损失。