量子科技中心_量科网

容错量子计算需要快速、准确且能适应电路结构和真实噪声的解码器。虽然机器学习解码器在量子内存任务中已展现出卓越性能，但其在算法解码中的应用——即存在逻辑门引发的复杂错误关联时——仍受局限。该研究团队提出了一种基于模块化注意力机制的神经解码器，可学习门诱导的关联关系，并能将从随机电路训练中获得的经验推广至未见过的多量子比特算法任务。该解码器在保持快速推理的同时，其逻辑错误率与最优似然误差解码器（MLE）相当，适用于不同电路深度和量子比特规模的场景。针对真实噪声环境，研究人员整合了损耗分辨读取技术，在存在量子比特损耗的情况下实现性能显著提升。进一步研究表明，通过使解码器适配算法结构并仅解码相关可观测量，可在不牺牲精度前提下简化设计。该框架在多种纠错码（包括表面码和二维色码）上得到验证，在电路级噪声下实现了当前最优性能。值得注意的是，注意力机制赋予了解码器可解释性——能明确识别被追踪的最关键关联关系。这些成果（Bluvstein等，arXiv:2506.20661，2025）为深电路容错算法与架构的实验验证提供了支持，确立了神经解码器作为实用、通用且高性能的量子计算工具地位。