量子科技中心_量科网

量子纠错码通过冗余编码来保护脆弱的量子信息，但由于组合搜索空间庞大且逻辑错误率评估成本高昂，要找到实际应用中高效且开销最小的编码方案仍具挑战。该研究团队提出了一种贝叶斯优化框架，相比此前该任务的机器学习方法，显著提高了数据效率和可扩展性。其核心创新在于多视角链复形神经嵌入技术，无需昂贵模拟即可预测量子LDPC码的逻辑错误率。以双变量自行车码和码容量噪声为测试平台，该算法发现了两个突破性编码：与粗码相比，[[144,36]]高码率编码实现了具有竞争力的单量子比特错误率，而[[144,16]]低错误编码在单量子比特错误率指标上更优。这些成果证明了该流程能自动发现平衡码率与噪声抑制的编码方案，其通用性框架可适用于不同编码族、解码器和噪声模型。