量子科技中心_量科网

要实现可靠的大规模量子计算，量子纠错（QEC）方案必须有效解决物理误差以保护逻辑信息。借助深度学习的最新进展，基于神经网络的解码器已成为提升QEC可靠性的重要方法。本研究团队提出“层级化量子比特融合变压器（HQMT）”——一种新颖且通用的解码框架，该框架显式利用稳定子码的结构图来学习多尺度误差关联。该架构首先在结构相关的稳定子群组上局部计算注意力，随后系统性地合并这些以量子比特为中心的表征，从而构建误差症状的全局视图。通过在变压器架构中集成专用量子比特融合层，HQMT显著降低了表面码的逻辑错误率。在不同码距测试中，该方案性能远超先前的神经网络QEC解码器，以及采用有序统计解码的强置信传播（BP+OSD）基线方法。这种层级化方法为表面码解码提供了可扩展且高效的框架，推动了可靠量子计算的实现。