量子科技中心_量科网

基础解码器作为一类高容量神经解码器，是实现容错量子计算的主要候选方案，能够在大的代码距离下进行准确且高效的解码。然而，其构建往往面临陡峭的扩展障碍，因为更大的代码距离会迅速放大综合征生成和神经优化的成本。为了解决这一瓶颈，本工作提出了神经传输统一框架（NTU），这是一个用于高效基础解码器的统一框架。NTU的核心特征在于它能够通过可扩展代码族共享的代数结构对齐不同代码距离下的解码任务，从而使得在小代码上学习到的知识能够加速大规模解码器的训练。本工作将NTU实例化为NTU-Transformer，这是一个基于Transformer的神经解码器，专门针对平面表面码和二元自行车码设计。在电路级噪声下，NTU-Transformer在 \( [\![361,1,19]\!] \) 码上超越了相关感知匹配，并进一步扩展到 \( [\![625,1,25]\!] \) 码，通过迁移适应在该码上优于标准匹配。对于 \( [\![72,12,6]\!] \) 的二元自行车码，在低物理错误率区域，它超越了Relay-BP。这些结果确立了该方案作为容错量子处理器基础解码器摊销式跨距离训练的可扩展路径。