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

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

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

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

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

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

使用可学习的偏置参数，我们提出一种硬件友好的方法，以取代在 Tanner 图中使用乘法权重的深度学习技术，从而改进纠错解码器的性能，并将其与另一种神经解码算法进行比较，结果在考虑的代码中实现了比传统置信传播高 1dB 的错误纠正性能，并取得比乘法算法少 0.1dB 的性能。

Jan, 2017

在 6G 网络中，确保极高的可靠性对于信道编码至关重要。我们提出一种创新的解决方案，即增强型神经最小和（NMS）解码器，通过采用新颖的训练方法，在 5G 低密度奇偶校验（LDPC）码中实现了优越的性能，并满足了 6G 低误码要求，同时具备高度的实际应用性。

May, 2024