利用强化学习玩游戏的方式,从量子 Lego 框架中提取出有关量子纠错代码的最佳解决方案,可以最大化代码距离,最小化偏向性 Pauli 噪声下逻辑错误概率等,并且可以应用于物理量子设备以调整代码。
May, 2023
本研究首次提出了一种统一的编码 - 解码训练方法,用于二进制线性分组码,采用了适应性编码设置,支持针对二阶伽罗瓦域的端到端优化。我们还提出了一种新颖的 Transformer 模型,其中的自注意力掩码采用可微分的方式进行,以实现对码梯度的有效反向传播。实验结果表明:(i) 所提出的解码器在常规编码上优于现有的神经解码器;(ii) 所提出的框架生成的编码优于相应的常规编码;(iii) 我们开发的编码不仅在我们的解码器上表现出色,而且在传统解码技术上也表现出更好的性能。
May, 2024
本文提出了第一种基于学习的 Coding-theoretic 解决方案,通过使用神经网络架构和训练方法,学习编码和解码函数来处理非线性计算,结果表明学习可以是设计码的有效技术,并且学习到的码是将编码优势应用于非线性计算的极具前途的方法。
Jun, 2018
本文提出了 Product Autoencoder,这是一款深度学习驱动的 (encoder,decoder) 对,可用于训练相对大的代码 (k=300 位),其表现比经典设计更有意义,且对于训练中使用的不同通道模型具有良好的鲁棒性和适应性。
Mar, 2023
本文提出了一种将 Transformer 架构扩展到任意块长线性码软译码的方法,通过自适应遮掩的自注意力模块实现代数码和比特之间的交互作用,该方法在符号时间复杂度的分数级运行时间内表现出了 Transformers 的极高能力和灵活性,在性能上优于现有的深度学习码译码器。
Mar, 2022
本文提出了一种基于去噪扩散模型进行软解码的方法,通过引入迭代步骤、纠错编码和神经扩散解码器等创新性贡献,能够有效地实现 ECC,同时在单个反向扩散步骤下实现了优异的解码精度,较传统方法有很大提高。
Sep, 2022
本文提出了一种基于伴随优化的计算方法,可在描述物理系统时发现自主量子纠错编码,其中通过使用控制参数来更好地保存量子信息,以达到在超导电路中实现量子信息长时间保存的目的。
Aug, 2021
本文针对 5G 标准下信道编码的低延迟要求,基于深度学习和通信工程知识,提出了一种端到端学习的神经编码器,称为 LEARN 编码器。相比传统卷积码,LEARN 编码器在低延迟条件下表现更好,具有强鲁棒性和适应性,表现出设计用于未来通信的新型多功能通用编码的潜力。
Nov, 2018
本文提出了一种基于神经网络的深度量子错误解码器,引入了综合编码对系统噪音的初始估计进行迭代优化,并实现了在重复综合抽样下的有效解码。通过以可微目标直接优化在有限场上计算的逻辑错误率,该方法实现了量子纠错码解码的高效性,超过了现有的神经网络和经典解码器。
Jan, 2023
本文介绍了一种利用问题对称性的、数据效率高的神经网络译码器来纠正量子计算中的错误,该译码器可以自适应噪声分布,能够与先前的神经网络译码器相比实现最先进的准确性。
Apr, 2023