量子科技中心_量科网

量子比特丢失是量子计算中主要的误差来源之一，它会破坏量子纠错码标准稳定子形式的代数结构。一方面，这使解码过程复杂化；另一方面，其在稳定子中产生的随机闪烁模式成为量子比特丢失的标志特征。本研究开发了一种基于时空图神经网络（STGNN）架构的人工智能解码器，可从症候群历史数据中提取时空关联特征。该解码器采用双头任务设计，能同步校正标准泡利误差并识别量子比特丢失位置。相比传统最小权重完美匹配（MWPM）算法，甚至相比以末轮量子比特丢失信息作为输入的延迟擦除MWPM解码器，该解码器实现了显著更高的逻辑准确率。通过积累后续十轮的稳定子测量数据，该方案还能识别超过90%的丢失位点，从而为量子比特重初始化（如基于原子阵列平台的连续装载技术）创造条件。对于这两类任务，时空图神经网络的性能与改进版AlphaQubit几乎相当，但由于采用并行输入结构，其推理时间优于改进版AlphaQubit的循环输入结构。该研究为量子比特丢失误差校正提供了鲁棒且可扩展的框架，为提升容错量子计算效率开辟了新路径。