HyperNQ：用于量子LDPC码的超图神经网络解码器
量子计算需要有效的纠错策略来抑制噪声和退相干。量子低密度奇偶校验（QLDPC）码因其支持恒定速率编码和稀疏奇偶校验结构，已成为可扩展量子纠错（QEC）应用中极具前景的解决方案。然而，传统译码方法如置信传播（BP）算法在存在短周期时收敛性较差。图神经网络（GNN）等机器学习技术虽能利用节点特征进行学习型消息传递，但其仅限于坦纳图上的二元交互，难以捕捉高阶相关性。该工作提出首个基于超图神经网络（HGNN）的QLDPC译码器HyperNQ，通过超边结构捕捉高阶稳定器约束，从而实现高表达力且紧凑的译码。该团队采用两阶段消息传递方案，并在伪阈值区间评估译码性能。实验表明，在伪阈值以下区域，HyperNQ将逻辑错误率（LER）较BP算法最高降低84%，较基于GNN的策略降低50%，性能显著优于现有最先进译码器。
