Oct, 2023

用递归的、基于变压器的神经网络学习解码表面码

PDF
TL;DR我们提出了一种基于循环和 Transformer 的神经网络解码器，可以学习解码表面码（surface code），并在真实世界的数据中击败现有的算法解码器，在距离为 3 和 5 的表面码上优于 Google 的 Sycamore 量子处理器。在模拟数据上的实验显示，我们的解码器在包括串扰、泄漏和模拟读出信号等现实噪声的情况下，能够保持其优势，并且在训练过的 25 个循环之外依然能够保持准确性。我们的研究展示了机器学习通过直接学习数据的能力，凸显出机器学习在解码量子计算中作为一个强有力的竞争对手。
发现论文，激发创造
  • 强化学习解码器用于容错量子计算

    本文采用深度 Q 学习等方法，通过重复交互训练解码器和编码器，解决了表面码的复杂错误纠正问题。

    Oct, 2018

  • 实现距离为三的表面码重复量子纠错

    本文研究使用 17 个物理量子位于一个超导电路中，使量子信息编码在距离为 3 的逻辑量子位上。通过量子纠错重复实验，作者在消除纠缠、控制精度受限等因素干扰时，测量和解码比特和相位翻转错误综合使用最小权完美匹配算法并进行后处理修正，以实现高性能、快速和重复的量子纠错周期，证明了量子纠错的可行性和表现良好。

    Dec, 2021

  • END: 量子纠错等变神经解码器

    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

  • Transformer-QEC：具有可转移性的 Transformer 量子纠错码解码

    量子错误纠正是量子计算的一个关键挑战，本研究提出了一种基于 Transformer 的 QEC 解码器，它利用自注意力实现了全局感受野，结合了局部物理错误和全局奇偶标签损失的训练方法，以及其对不同码距的有效迁移学习能力，实现了较佳的逻辑错误率和节省 10 倍以上的训练成本。

    Nov, 2023

  • 一种低温记忆电阻神经解码器用于容错量子错误校正

    基于内存计算的神经解码器推理加速器在量子纠错中的设计和性能分析，以解决解码时间和可扩展性要求，研究了非理想性对解码准确性的影响，为集成的量子纠错提供了可扩展，快速和低功耗的低温内存计算硬件。

    Jul, 2023

  • 量子神经网络作为量子信息解码器的优势

    一种保护量子信息免受噪音诱导错误的有前途的策略是将其编码到拓扑量子存储设备的低能态中。在现实情况下，对于这种存储器的读出错误却不为人所熟知。我们研究在存在诸如淬灭性紊乱等通用扰动的情况下，解码编码在拓扑稳定子哈密顿量的基态中的量子信息的问题。首先，我们通过证明在这种扰动的量子码中，基于稳定子的纠错和解码方案能够适当地发挥作用，从而使得解码误差按照基础未扰动码的距离呈指数下降。然后，我们证明了量子神经网络（QNN）编码器可以几乎使读出错误有二次改善。因此，我们证明了在解码现实量子纠错码时使用 QNN 的有利，这一结果使得在近期实验室环境中可以探索更广泛的非稳定子码范围。

    Jan, 2024

  • 深度量子纠错

    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

  • qecGPT: 用生成式预训练转换器解码量子纠错码

    我们提出了一种使用生成建模对量子纠错码进行译码的通用框架，该模型利用自回归神经网络，特别是 Transformer，学习逻辑运算符和综合症的联合概率。经过预训练后，该模型可以在给定综合症的情况下，使用最大似然译码高效计算逻辑运算符的可能性，并以计算复杂度为 O (2k)（k 为逻辑比特数）直接生成最可能的逻辑运算符，远优于需要 O (4^k) 计算的传统最大似然译码算法。我们进一步提出了一种基于经过预训练的模型的改进方法，通过直接采样稳定子运算符，更准确地确定给定综合症的逻辑运算符的可能性。我们对具有小码距的稳定子码进行了数值实验，使用了失真性误差模型和具有相关噪声的误差模型。结果显示，我们的方法在译码准确性方面比最小重量完美匹配和基于置信传播的算法提供了显着改进。我们的框架是通用的，可以应用于任何误差模型和具有不同拓扑结构的量子码，如面对码和量子 LDPC 码。此外，它利用了 GPU 的并行化能力，能够同时解码大量的综合症。我们的方法利用了生成式人工智能和现代计算能力对量子纠错码的高效准确解码提供了启示。

    Jul, 2023

  • 使用循环神经网络从物理观测重构超导量子比特的量子动力学

    本文研究了基于神经网络的方法，能够预测量子系统的演化轨迹，同时提取系统哈密顿量，测量算符和物理参数。该方法可用于噪声表征，参数估计，反馈和优化量子控制。

    Nov, 2018

  • 纠错码变形器

    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