量子科技中心_量科网

人工神经网络（ANN）是解决量子纠错（QEC）解码问题的一种颇有前景的方法，但研究者在将性能推广至更大QEC代码时始终面临困难。近期着眼于可扩展性的方法通过使用局部ANN进行初始症状处理，并将最终处理交由全局残差解码器来完成，从而分解解码工作量。研究者利用症状数据的时空结构特性，探索了ANN在表面代码解码中的应用方案。具体而言，研究人员提出了表面代码数据模拟的矢量化方法，并评估了将此类数据定义为多标签分类问题时的解码性能——针对每个门和空闲时间步后存在电路噪声的旋转表面码，同时考察其作为生成建模问题的表现。研究显示该方法可推广至尺寸达d=97的旋转表面码，实现了最高0.7%的去极化参数阈值，其表现与最小权重完美匹配（MWPM）算法相当。在阈值以上和以下的噪声模型中，该方法分别在代码距离d=33和d=89时开始显现相比单独使用MWPM更低的延迟。这些结果表明基于ANN的表面码解码框架具有良好前景，其性能足以满足容错资源预估的需求。