量子科技中心_量科网

能够以分块并行方式在空间和时间维度运行的高速、可扩展解码架构，是实现实时容错量子计算的关键。研究团队提出了一种基于人工智能的可扩展预解码器，专为表面码设计，能以较低运行时开销实现局部并行纠错，在将残余校验子传递至下游全局解码器之前消除大部分物理错误。该模块化架构与后端无关，可与任何针对表面码设计的全局解码算法组合使用，且实现代码完全开源。 当与不相关PyMatching算法集成时，该流程在NVIDIA GB300 GPU上实现每轮次𝒪(1μs)量级的端到端解码运行时，同时相比单独使用全局解码能显著降低逻辑错误率(LER)。在配备多GPU的分块并行解码方案中，解码运行时更可降至远低于𝒪(1μs)/轮次。通过训练更大规模模型，该方案在距离-13的表面码上表现优于相关PyMatching算法，实现LER的进一步优化。 研究团队还开发了噪声学习架构，可直接从实验可获取的校验子统计数据推断解码权重，无需显式的电路级噪声模型。实验表明，纯数据驱动的图权重估计方法性能接近不相关PyMatching，在某些场景下甚至超越相关PyMatching。这项技术特别适用于硬件噪声模型未知或时变的场景，也能基于实际噪声模型训练预解码器。 这些成果共同构建了一个实用、模块化且高吞吐的解码框架，为大规模表面码的实现提供了关键技术支撑。