量子科技中心_量科网

为利用量子纠错码，解码器必须从测量得到的校正子推断逻辑扇区。除了输出硬逻辑判决外，一些解码器还能提供软信息以评估该判决的可靠性。对于最小权重完美匹配（MWPM），一种常见的置信度度量是互补间隙（或称逻辑间隙）。本工作测试了图神经网络（GNN）解码器的logit值是否可以作为逻辑间隙的学习代理。利用在均匀电路级噪声下预训练的旋转表面码GNN解码器（Physical Review Research, 7(2):023181, 2025），研究人员在相同采样的校正子上将其软输出与MWPM互补间隙进行了比较。研究结果表明，基于GNN logit值的后选择策略产生的逻辑错误率低于基于MWPM间隙的后选择策略。逐次分析显示，在低值和中间值区域，带符号的GNN置信度分布与带符号的MWPM间隙相似，但对于许多正确解码的样本，GNN赋予了更高的置信度。尽管两种分数都近似于后验对数似然比，但GNN置信度的大小更接近其理想值。这些结果表明，仅通过校正子和逻辑标签训练的神经网络解码器既能学习到类似间隙的判别能力，也能学习到定量的置信度尺度，从而在无法获取MWPM间隙估计值、获取成本过高或该间隙与噪声模型匹配不佳的情况下，实现基于置信度的后选择。