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