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

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

机器学习在量子误差纠正中的应用研究发现通过利用远程辅助量子位可以显著提高误差纠正的准确性，最新的深度学习算法可以将卷积神经网络的准确性提高约 50%。

Nov, 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

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

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。

Oct, 2023

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

在通信和存储系统中，纠错码（ECC）在确保数据可靠性方面至关重要。随着深度学习在不同领域的应用范围扩大，对基于神经网络的解码器的研究日益关注，这些解码器在性能上超越了传统的解码算法。在这些神经解码器中，纠错码变压器（ECCT）已经实现了最先进的性能，大幅度超越了其他方法。为了进一步提高 ECCT 的性能，我们提出了两种新的方法。首先，利用 ECC 的系统编码技术，我们引入了一种新的掩码矩阵，旨在提高性能并降低计算复杂度。其次，我们提出了一种名为双掩码 ECCT 的新型变压器架构。该架构以并行方式使用两个不同的掩码矩阵，以在掩码的自注意块中学习更多关于码字位之间关系的多样特征。大量的仿真结果表明，所提出的双掩码 ECCT 优于传统 ECCT，在性能上达到了最先进的解码性能，并取得了显著的优势。

Aug, 2023

本文提出一种新的高保真度测量合成体系结构编码 (Surface code) 的基础，并使用超导回路中的三个量子比特进行了实验验证，准确度达到了 90% 和 91%，这为实现原始逻辑量子比特打下了基础。

Nov, 2013

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