量子科技中心_量科网

数据驱动解码（DDD）——通过训练样本学习解码（量子）纠错码的综合征——可能因训练数据的若干非典型且认知不足的特性而成为难题。该研究团队提出了一个样本重要性理论，阐明了DDD的这些独特方面：例如，该工作证明简单纠错码的DDD等价于一个存在噪声且类别不平衡的二元分类问题。这表明现有数据增强技术（通过调整参数提高训练数据中的错误率）实际上在类别不平衡与标签噪声之间引入了权衡关系。该团队在实验中应用该技术，显示解码器准确率得到稳健提升，同时用样本重要性原理解释了该技术的失效案例。研究人员在涉及多轮综合征测量的量子码解码中也观察到类似改进，并分析了随机稳定子码中的样本重要性，表明样本重要性理论与“参数调整”技术对于提升实验相关数据驱动解码器具有广泛适用性。