Ein skalierbarer und schneller Syndrom-Decoder für künstliche neuronale Netze für Oberflächencodes

Ein skalierbarer und schneller Syndrom-Decoder für künstliche neuronale Netze für Oberflächencodes

Zeitstempel: 12. Juli 2023, 10:23 Uhr

Spiro Gicev1, Lloyd CL Hollenberg1, und Muhammad Usman1,2,3

1Zentrum für Quantenberechnung und Kommunikationstechnologie, Fakultät für Physik, Universität Melbourne, Parkville, 3010, VIC, Australien.
2School of Computing and Information Systems, Melbourne School of Engineering, University of Melbourne, Parkville, 3010, VIC, Australien
3Data61, CSIRO, Clayton, 3168, VIC, Australien

Findest du dieses Paper interessant oder möchtest du darüber diskutieren? Scite oder hinterlasse einen Kommentar zu SciRate.

Abstrakt

Die Fehlerkorrektur von Oberflächencode bietet einen vielversprechenden Weg, um skalierbares fehlertolerantes Quantencomputing zu erreichen. Bei der Verwendung als Stabilisatorcodes bestehen Oberflächencodeberechnungen aus einem Syndromdekodierungsschritt, bei dem gemessene Stabilisatoroperatoren verwendet werden, um geeignete Korrekturen für Fehler in physikalischen Qubits zu bestimmen. Dekodierungsalgorithmen haben eine erhebliche Entwicklung erfahren, wobei in jüngster Zeit Techniken des maschinellen Lernens (ML) einbezogen wurden. Trotz vielversprechender erster Ergebnisse sind die ML-basierten Syndromdecoder immer noch auf Demonstrationen im kleinen Maßstab mit geringer Latenz beschränkt und nicht in der Lage, Oberflächencodes mit Randbedingungen und verschiedenen Formen zu verarbeiten, die für die Gitterchirurgie und das Flechten erforderlich sind. Hier berichten wir über die Entwicklung eines skalierbaren und schnellen Syndromdecoders auf der Basis eines künstlichen neuronalen Netzwerks (ANN), der in der Lage ist, Oberflächencodes beliebiger Form und Größe mit Daten-Qubits zu dekodieren, die unter dem depolarisierenden Fehlermodell leiden. Basierend auf einem rigorosen Training über 50 Millionen zufälliger Quantenfehlerinstanzen hat sich gezeigt, dass unser ANN-Decoder mit Codeabständen von mehr als 1000 (mehr als 4 Millionen physikalische Qubits) funktioniert. Dies ist die bisher größte Demonstration eines ML-basierten Decoders. Der etablierte ANN-Decoder weist eine Ausführungszeit auf, die im Prinzip unabhängig von der Codeentfernung ist, was bedeutet, dass seine Implementierung auf dedizierter Hardware möglicherweise Oberflächencode-Decodierungszeiten von O($mu$sec) bieten könnte, was den experimentell realisierbaren Qubit-Kohärenzzeiten entspricht. Mit der erwarteten Skalierung von Quantenprozessoren innerhalb des nächsten Jahrzehnts wird erwartet, dass ihre Erweiterung mit einem schnellen und skalierbaren Syndromdecoder, wie er in unserer Arbeit entwickelt wurde, eine entscheidende Rolle bei der experimentellen Implementierung der fehlertoleranten Quanteninformationsverarbeitung spielen wird.

Ein skalierbarer und schneller Syndrom-Decoder für künstliche neuronale Netze für Oberflächencodes PlatoBlockchain Data Intelligence. Vertikale Suche. Ai.

Ausgewähltes Bild: Künstliches neuronales Netzwerk-Decoder-Framework für schnelle und skalierbare Fehlerkorrektur.

Populäre Zusammenfassung

Die Genauigkeit der aktuellen Generation von Quantengeräten leidet unter Rauschen oder Fehlern. Zur Erkennung und Korrektur von Fehlern können Quantenfehlerkorrekturcodes wie Oberflächencodes eingesetzt werden. Ein entscheidender Schritt bei der Implementierung von Oberflächencodeschemata ist die Dekodierung, der Algorithmus, der direkt vom Quantencomputer gemessene Fehlerinformationen verwendet, um entsprechende Korrekturen zu berechnen. Um die durch Rauschen verursachten Probleme effektiv zu lösen, müssen Decoder geeignete Korrekturen im Gleichschritt mit den schnellen Messungen berechnen, die an der zugrunde liegenden Quantenhardware durchgeführt werden. Dies muss bei Oberflächencodeabständen erreicht werden, die groß genug sind, um Fehler ausreichend zu unterdrücken, und zwar gleichzeitig über alle aktiven logischen Qubits hinweg. Frühere Arbeiten befassten sich hauptsächlich mit Graph-Matching-Algorithmen wie dem Perfect Matching mit minimalem Gewicht. In einigen neueren Arbeiten wurde auch die Verwendung neuronaler Netze für diese Aufgabe untersucht, wenn auch auf Implementierungen im kleinen Maßstab beschränkt.

Unsere Arbeit schlug ein neuartiges Faltungs-Neuronales Netzwerk-Framework vor und implementierte es, um die Skalierungsprobleme zu lösen, die bei der Dekodierung von Oberflächencodes über große Entfernungen auftreten. Dem Faltungs-Neuronalen Netzwerk wurde ein Input gegeben, der aus geänderten Paritätsmessungen sowie der Grenzstruktur des Fehlerkorrekturcodes bestand. Angesichts des endlichen Fensters der lokalen Beobachtung, das im gesamten Faltungs-Neuronalen Netzwerk auftritt, wurde ein Mop-Up-Decoder verwendet, um eventuell verbleibende spärliche Restfehler zu korrigieren. Basierend auf einem rigorosen Training über 50 Millionen zufälliger Quantenfehlerinstanzen konnte gezeigt werden, dass unser Decoder mit Codeabständen von mehr als 1000 (mehr als 4 Millionen physikalische Qubits) funktioniert. Dies war die bisher größte Demonstration eines ML-basierten Decoders.

Durch die Verwendung von Faltungs-Neuronalen Netzen und Grenzstrukturen in der Eingabe konnte unser Netzwerk auf eine Vielzahl von Oberflächencodeabständen und Grenzkonfigurationen angewendet werden. Die lokale Konnektivität des Netzwerks ermöglicht die Beibehaltung einer geringen Latenz bei der Decodierung von Codes mit größerer Entfernung und erleichtert problemlos die Parallelisierung. Unsere Arbeit befasst sich mit einem Schlüsselproblem bei der Verwendung neuronaler Netze zur Dekodierung auf Skalen von Problemen von praktischem Interesse und ermöglicht weitere Forschung unter Verwendung von Netzen mit ähnlicher Struktur.

► BibTeX-Daten

► Referenzen

[1] S. Pirandola, UL Andersen, L. Banchi, M. Berta, D. Bunandar, R. Colbeck, D. Englund, T. Gehring, C. Lupo, C. Ottaviani, JL Pereira, M. Razavi, J. Shamsul Shaari , M. Tomamichel, VC Usenko, G. Vallone, P. Villoresi und P. Wallden. „Fortschritte in der Quantenkryptographie“. Adv. Opt. Photon. 12, 1012–1236 (2020).
https: / / doi.org/ 10.1364 / AOP.361502

[2] Yudong Cao, Jonathan Romero, Jonathan P. Olson, Matthias Degroote, Peter D. Johnson, Mária Kieferová, Ian D. Kivlichan, Tim Menke, Borja Peropadre, Nicolas PD Sawaya, Sukin Sim, Libor Veis und Alán Aspuru-Guzik. „Quantenchemie im Zeitalter des Quantencomputings“. Chemical Reviews 119, 10856–10915 (2019).
https: // doi.org/ 10.1021 / acs.chemrev.8b00803

[3] Román Orús, Samuel Mugel und Enrique Lizaso. „Quantencomputing für Finanzen: Überblick und Perspektiven“. Rezensionen in Physik 4, 100028 (2019).
https: // doi.org/ 10.1016 / j.revip.2019.100028

[4] Craig Gidney und Martin Ekerå. „Wie man 2048-Bit-RSA-Ganzzahlen in 8 Stunden unter Verwendung von 20 Millionen verrauschten Qubits faktorisiert“. Quantum 5, 433 (2021).
https:/​/​doi.org/​10.22331/​q-2021-04-15-433

[5] Joonho Lee, Dominic W. Berry, Craig Gidney, William J. Huggins, Jarrod R. McClean, Nathan Wiebe und Ryan Babbush. „Noch effizientere Quantenberechnungen der Chemie durch Tensor-Hyperkontraktion“. PRX Quantum 2, 030305 (2021).
https: / / doi.org/ 10.1103 / PRXQuantum.2.030305

[6] Yuval R. Sanders, Dominic W. Berry, Pedro CS Costa, Louis W. Tessler, Nathan Wiebe, Craig Gidney, Hartmut Neven und Ryan Babbush. „Zusammenstellung fehlertoleranter Quantenheuristiken für die kombinatorische Optimierung“. PRX Quantum 1, 020312 (2020).
https: / / doi.org/ 10.1103 / PRXQuantum.1.020312

[7] Eric Dennis, Alexei Kitaev, Andrew Landahl und John Preskill. „Topologischer Quantenspeicher“. Zeitschrift für mathematische Physik 43, 4452–4505 (2002).
https: / / doi.org/ 10.1063 / 1.1499754

[8] Christian Kraglund Andersen, Ants Remm, Stefania Lazar, Sebastian Krinner, Nathan Lacroix, Graham J. Norris, Mihai Gabureac, Christopher Eichler und Andreas Wallraff. „Wiederholte Quantenfehlererkennung in einem Oberflächencode“. Naturphysik 16, 875–880 (2020).
https: / / doi.org/ 10.1038 / s41567-020-0920-y

[9] Zijun Chen, Kevin J Satzinger, Juan Atalaya, Alexander N Korotkov, Andrew Dunsworth, Daniel Sank, Chris Quintana, Matt McEwen, Rami Barends, Paul V Klimov, et al. „Exponentielle Unterdrückung von Bit- oder Phasenfehlern mit zyklischer Fehlerkorrektur“. Natur 595, 383–387 (2021).
https: / / doi.org/ 10.1038 / s41586-021-03588-y

[10] Austin G. Fowler, David S. Wang und Lloyd CL Hollenberg. „Oberflächencode-Quantenfehlerkorrektur mit genauer Fehlerausbreitung“ (2010). arXiv:1004.0255.
https://​/​doi.org/​10.48550/​arXiv.1004.0255
arXiv: 1004.0255

[11] Austin G. Fowler, Adam C. Whiteside und Lloyd CL Hollenberg. „Auf dem Weg zur praktischen klassischen Verarbeitung für den Oberflächencode“. Physical Review Letters 108 (2012).
https://doi.org/ 10.1103/physrevlett.108.180501

[12] Austin G. Fowler. „Optimale Komplexitätskorrektur korrelierter Fehler im Oberflächencode“ (2013). arXiv:1310.0863.
https://​/​doi.org/​10.48550/​arXiv.1310.0863
arXiv: 1310.0863

[13] Fern HE Watson, Hussain Anwar und Dan E. Browne. „Schneller fehlertoleranter Decoder für Qubit- und Qudit-Oberflächencodes“. Physik. Rev. A 92, 032309 (2015).
https: / / doi.org/ 10.1103 / PhysRevA.92.032309

[14] Guillaume Duclos-Cianci und David Poulin. „Schnelle Decoder für topologische Quantencodes“. Physik. Rev. Lett. 104, 050504 (2010).
https://doi.org/ 10.1103/PhysRevLett.104.050504

[15] Robert Raussendorf und Jim Harrington. „Fehlertolerante Quantenberechnung mit hoher Schwelle in zwei Dimensionen“. Phys. Rev. Lett. 98, 190504 (2007).
https://doi.org/ 10.1103/PhysRevLett.98.190504

[16] Daniel Litinski. „Ein Spiel mit Oberflächencodes: Quantencomputing im großen Maßstab mit Gitterchirurgie“. Quantum 3, 128 (2019).
https:/​/​doi.org/​10.22331/​q-2019-03-05-128

[17] Savvas Varsamopoulos, Ben Criger und Koen Bertels. „Dekodierung kleiner Oberflächencodes mit Feedforward-Neuronalen Netzen“. Quantenwissenschaft und -technologie 3, 015004 (2017).
https: / / doi.org/ 10.1088 / 2058-9565 / aa955a

[18] Amarsanaa Davaasuren, Yasunari Suzuki, Keisuke Fujii und Masato Koashi. „Allgemeiner Rahmen für den Aufbau eines schnellen und nahezu optimalen, auf maschinellem Lernen basierenden Decoders der topologischen Stabilisatorcodes“. Physik. Rev. Res. 2, 033399 (2020).
https: / / doi.org/ 10.1103 / PhysRevResearch.2.033399

[19] Giacomo Torlai und Roger G. Melko. „Neuronaler Decoder für topologische Codes“. Phys. Rev. Lett. 119, 030501 (2017).
https://doi.org/ 10.1103/PhysRevLett.119.030501

[20] Stefan Krastanov und Liang Jiang. „Deep Neural Network Probabilistic Decoder für Stabilisatorcodes“. Wissenschaftliche Berichte 7 (2017).
https:/​/​doi.org/​10.1038/​s41598-017-11266-1

[21] Paul Baireuther, Thomas E. O’Brien, Brian Tarasinski und Carlo WJ Beenakker. „Maschinelles Lernen unterstützte Korrektur korrelierter Qubit-Fehler in einem topologischen Code“. Quantum 2, 48 (2018).
https:/​/​doi.org/​10.22331/​q-2018-01-29-48

[22] Debasmita Bhoumik, Pinaki Sen, Ritajit Majumdar, Susmita Sur-Kolay, Latesh Kumar KJ und Sundaraja Sitharama Iyengar. „Effiziente Dekodierung von Oberflächencode-Syndromen zur Fehlerkorrektur im Quantencomputing“ (2021). arXiv:2110.10896.
https://​/​doi.org/​10.48550/​arXiv.2110.10896
arXiv: 2110.10896

[23] Ryan Sweke, Markus S. Kesselring, Evert PL van Nieuwenburg und Jens Eisert. „Reinforcement Learning Decoder für fehlertolerante Quantenberechnung“. Maschinelles Lernen: Wissenschaft und Technologie 2, 025005 (2020).
https://​/​doi.org/​10.1088/​2632-2153/​abc609

[24] Elisha Siddiqui Matekole, Esther Ye, Ramya Iyer und Samuel Yen-Chi Chen. „Dekodierung von Oberflächencodes mit Deep Reinforcement Learning und probabilistischer Wiederverwendung von Richtlinien“ (2022). arXiv:2212.11890.
https://​/​doi.org/​10.48550/​arXiv.2212.11890
arXiv: 2212.11890

[25] Ramon WJ Overwater, Masoud Babaie und Fabio Sebastiano. „Neuronale Netzwerkdecoder zur Quantenfehlerkorrektur mithilfe von Oberflächencodes: Eine Weltraumforschung der Hardware-Kosten-Leistungs-Kompromisse“. IEEE Transactions on Quantum Engineering 3, 1–19 (2022).
https: / / doi.org/ 10.1109 / TQE.2022.3174017

[26] Kai Meinerz, Chae-Yeun Park und Simon Trebst. „Skalierbarer neuronaler Decoder für topologische Oberflächencodes“. Physik. Rev. Lett. 128, 080505 (2022).
https://doi.org/ 10.1103/PhysRevLett.128.080505

[27] S. Varsamopoulos, K. Bertels und C. Almudever. „Vergleich neuronaler Netzwerk-basierter Decoder für den Oberflächencode“. IEEE Transactions on Computers 69, 300–311 (2020).
https: / / doi.org/ 10.1109 / TC.2019.2948612

[28] Oscar Higgott. „Pymatching: Ein Python-Paket zum Dekodieren von Quantencodes mit perfektem Matching mit minimalem Gewicht“ (2021). arXiv:2105.13082.
https://​/​doi.org/​10.48550/​arXiv.2105.13082
arXiv: 2105.13082

[29] Christopher Chamberland und Pooya Ronagh. „Tiefe neuronale Decoder für kurzfristige fehlertolerante Experimente“. Quantenwissenschaft und -technologie 3, 044002 (2018).
https:/​/​doi.org/​10.1088/​2058-9565/​aad1f7

[30] Daniel Gottesmann. „Stabilisatorcodes und Quantenfehlerkorrektur“ (1997). arXiv:quant-ph/​9705052.
https://​/​doi.org/​10.48550/​arXiv.quant-ph/​9705052
arXiv: quant-ph / 9705052

[31] Charles D. Hill, Eldad Peretz, Samuel J. Hile, Matthew G. House, Martin Fuechsle, Sven Rogge, Michelle Y. Simmons und Lloyd CL Hollenberg. „Ein Oberflächencode-Quantencomputer in Silizium“. Science Advances 1, e1500707 (2015).
https: / / doi.org/ 10.1126 / sciadv.1500707

[32] G. Pica, BW Lovett, RN Bhatt, T. Schenkel und SA Lyon. „Oberflächencode-Architektur für Donatoren und Punkte in Silizium mit ungenauen und ungleichmäßigen Qubit-Kopplungen“. Physik. Rev. B 93, 035306 (2016).
https://doi.org/ 10.1103/PhysRevB.93.035306

[33] Charles D. Hill, Muhammad Usman und Lloyd CL Hollenberg. „Eine austauschbasierte Oberflächencode-Quantencomputerarchitektur in Silizium“ (2021). arXiv:2107.11981.
https://​/​doi.org/​10.48550/​arXiv.2107.11981
arXiv: 2107.11981

[34] Christopher Chamberland, Guanyu Zhu, Theodore J. Yoder, Jared B. Hertzberg und Andrew W. Cross. „Topologische und Subsystemcodes auf Graphen niedrigen Grades mit Flag-Qubits“. Physik. Rev. X 10, 011022 (2020).
https://doi.org/ 10.1103/PhysRevX.10.011022

[35] H. Bombin, Ruben S. Andrist, Masayuki Ohzeki, Helmut G. Katzgraber und MA Martin-Delgado. „Starke Widerstandsfähigkeit topologischer Codes gegenüber Depolarisation“. Physik. Rev. X 2, 021004 (2012).
https://doi.org/ 10.1103/PhysRevX.2.021004

[36] Ashley M. Stephens. „Fehlertolerante Schwellenwerte für die Quantenfehlerkorrektur mit dem Oberflächencode“. Physik. Rev. A 89, 022321 (2014).
https: / / doi.org/ 10.1103 / PhysRevA.89.022321

[37] David S. Wang, Austin G. Fowler und Lloyd CL Hollenberg. „Oberflächencode-Quantencomputing mit Fehlerraten über 1 %“. Physik. Rev. A 83, 020302 (2011).
https: / / doi.org/ 10.1103 / PhysRevA.83.020302

[38] Austin G. Fowler und Craig Gidney. „Quantenberechnung mit geringem Overhead mittels Gitterchirurgie“ (2019). arXiv:1808.06709.
https://​/​doi.org/​10.48550/​arXiv.1808.06709
arXiv: 1808.06709

[39] Austin G. Fowler, Matteo Mariantoni, John M. Martinis und Andrew N. Cleland. „Oberflächencodes: Auf dem Weg zur praktischen Quantenberechnung im großen Maßstab“. Körperliche Überprüfung A 86 (2012).
https: / / doi.org/ 10.1103 / physreva.86.032324

[40] Xiaotong Ni. „Neuronale Netzwerkdecoder für torische 2D-Codes über große Entfernungen“. Quantum 4, 310 (2020).
https:/​/​doi.org/​10.22331/​q-2020-08-24-310

[41] A. Holmes, M. Jokar, G. Pasandi, Y. Ding, M. Pedram und FT Chong. „Nisq+: Steigerung der Quantenrechenleistung durch Annäherung an die Quantenfehlerkorrektur“. Im Jahr 2020 findet das 47. jährliche internationale Symposium für Computerarchitektur (ISCA) von ACM/​IEEE statt. Seiten 556–569. Los Alamitos, CA, USA (2020). IEEE Computer Society.
https://​/​doi.org/​10.1109/​ISCA45697.2020.00053

[42] Christian Kraglund Andersen, Ants Remm, Stefania Lazar, Sebastian Krinner, Johannes Heinsoo, Jean-Claude Besse, Mihai Gabureac, Andreas Wallraff und Christopher Eichler. „Verschränkungsstabilisierung mittels Ancilla-basierter Paritätserkennung und Echtzeit-Feedback in supraleitenden Schaltkreisen“. npj Quantum Information 5 (2019).
https:/​/​doi.org/​10.1038/​s41534-019-0185-4

[43] Martín Abadi, Ashish Agarwal, Paul Barham, Eugene Brevdo, Zhifeng Chen, Craig Citro, Greg S. Corrado, Andy Davis, Jeffrey Dean, Matthieu Devin, Sanjay Ghemawat, Ian Goodfellow, Andrew Harp, Geoffrey Irving, Michael Isard, Yangqing Jia, Rafal Jozefowicz, Lukasz Kaiser, Manjunath Kudlur, Josh Levenberg, Dan Mane, Rajat Monga, Sherry Moore, Derek Murray, Chris Olah, Mike Schuster, Jonathon Shlens, Benoit Steiner, Ilya Sutskever, Kunal Talwar, Paul Tucker, Vincent Vanhoucke, Vijay Vasudevan , Fernanda Viegas, Oriol Vinyals, Pete Warden, Martin Wattenberg, Martin Wicke, Yuan Yu und Xiaoqiang Zheng. „Tensorflow: Groß angelegtes maschinelles Lernen auf heterogenen verteilten Systemen“ (2016). arXiv:1603.04467.
https://​/​doi.org/​10.48550/​arXiv.1603.04467
arXiv: 1603.04467

[44] Nicolas Delfosse und Naomi H. Nickerson. „Annähernd linearer Zeitdekodierungsalgorithmus für topologische Codes“. Quantum 5, 595 (2021).
https:/​/​doi.org/​10.22331/​q-2021-12-02-595

[45] Takashi Kobayashi, Joseph Salfi, Cassandra Chua, Joost van der Heijden, Matthew G. House, Dimitrie Culcer, Wayne D. Hutchison, Brett C. Johnson, Jeff C. McCallum, Helge Riemann, Nikolay V. Abrosimov, Peter Becker, Hans- Joachim Pohl, Michelle Y. Simmons und Sven Rogge. „Konstruktion langer Spin-Kohärenzzeiten von Spin-Bahn-Qubits in Silizium“. Naturmaterialien 20, 38–42 (2020).
https:/​/​doi.org/​10.1038/​s41563-020-0743-3

[46] J. Pablo Bonilla Ataides, David K. Tuckett, Stephen D. Bartlett, Steven T. Flammia und Benjamin J. Brown. „Der XZZX-Oberflächencode“. Naturkommunikation 12 (2021).
https:/​/​doi.org/​10.1038/​s41467-021-22274-1

[47] Dmitri E. Nikonov und Ian A. Young. „Benchmarking-Verzögerung und Energie neuronaler Inferenzschaltungen“. IEEE Journal on Exploratory Solid-State Computational Devices and Circuits 5, 75–84 (2019).
https://​/​doi.org/​10.1109/​JXCDC.2019.2956112

[48] Austin G. Fowler. „Perfektes Matching mit minimalem Gewicht der fehlertoleranten topologischen Quantenfehlerkorrektur in durchschnittlicher paralleler $o(1)$-Zeit“ (2014). arXiv:1307.1740.
https://​/​doi.org/​10.48550/​arXiv.1307.1740
arXiv: 1307.1740

[49] Vedran Dunjko und Hans J. Briegel. „Maschinelles Lernen und künstliche Intelligenz im Quantenbereich: ein Rückblick auf die jüngsten Fortschritte“. Reports on Progress in Physics 81, 074001 (2018).
https: / / doi.org/ 10.1088 / 1361-6633 / aab406

[50] Laia Domingo Colomer, Michalis Skotiniotis und Ramon Muñoz-Tapia. „Verstärkendes Lernen zur optimalen Fehlerkorrektur torischer Codes“. Physikbriefe A 384, 126353 (2020).
https: / / doi.org/ 10.1016 / j.physleta.2020.126353

[51] Milap Sheth, Sara Zafar Jafarzadeh und Vlad Gheorghiu. „Dekodierung neuronaler Ensembles für topologische Quantenfehlerkorrekturcodes“. Physik. Rev. A 101, 032338 (2020).
https: / / doi.org/ 10.1103 / PhysRevA.101.032338

[52] David Fitzek, Mattias Eliasson, Anton Frisk Kockum und Mats Granath. „Deep-Q-Learning-Decoder zur Depolarisierung von Rauschen auf dem torischen Code“. Physik. Rev. Res. 2, 023230 (2020).
https: / / doi.org/ 10.1103 / PhysRevResearch.2.023230

[53] Savvas Varsamopoulos, Koen Bertels und Carmen G Almudever. „Dekodierung von Oberflächencode mit einem auf einem verteilten neuronalen Netzwerk basierenden Decoder“. Quantum Machine Intelligence 2, 1–12 (2020).
https:/​/​doi.org/​10.1007/​s42484-020-00015-9

[54] Thomas Wagner, Hermann Kampermann und Dagmar Bruß. „Symmetrien für einen neuronalen Decoder auf hohem Niveau für den torischen Code“. Physik. Rev. A 102, 042411 (2020).
https: / / doi.org/ 10.1103 / PhysRevA.102.042411

[55] Philip Andreasson, Joel Johansson, Simon Liljestrand und Mats Granath. „Quantenfehlerkorrektur für den torischen Code durch tiefes Verstärkungslernen“. Quantum 3, 183 (2019).
https:/​/​doi.org/​10.22331/​q-2019-09-02-183

[56] Nikolas P. Breuckmann und Xiaotong Ni. „Skalierbare neuronale Netzwerkdecoder für höherdimensionale Quantencodes“. Quantum 2, 68 (2018).
https:/​/​doi.org/​10.22331/​q-2018-05-24-68

Zitiert von

[1] Christopher Chamberland, Luis Goncalves, Prasahnt Sivarajah, Eric Peterson und Sebastian Grimberg, „Techniken zur Kombination schneller lokaler Decoder mit globalen Decodern unter Rauschen auf Schaltungsebene“, arXiv: 2208.01178, (2022).

[2] Samuel C. Smith, Benjamin J. Brown und Stephen D. Bartlett, „Lokaler Vordecoder zur Reduzierung der Bandbreite und Latenz der Quantenfehlerkorrektur“, Physische Überprüfung angewendet 19 3, 034050 (2023).

[3] Xinyu Tan, Fang Zhang, Rui Chao, Yaoyun Shi und Jianxin Chen, „Skalierbare Oberflächencode-Decoder mit zeitlicher Parallelisierung“, arXiv: 2209.09219, (2022).

[4] Maxwell T. West, Sarah M. Erfani, Christopher Leckie, Martin Sevior, Lloyd CL Hollenberg und Muhammad Usman, „Benchmarking kontrovers robustes Quantenmaschinenlernen im großen Maßstab“, Physical Review Research 5 2, 023186 (2023).

[5] Yosuke Ueno, Masaaki Kondo, Masamitsu Tanaka, Yasunari Suzuki und Yutaka Tabuchi, „NEO-QEC: Neural Network Enhanced Online Supraconducting Decoder for Surface Codes“, arXiv: 2208.05758, (2022).

[6] Mengyu Zhang, Xiangyu Ren, Guanglei Xi, Zhenxing Zhang, Qiaonian Yu, Fuming Liu, Hualiang Zhang, Shengyu Zhang und Yi-Cong Zheng, „Ein skalierbarer, schneller und programmierbarer neuronaler Decoder für fehlertolerante Quantenberechnungen unter Verwendung von Oberflächen.“ Codes“, arXiv: 2305.15767, (2023).

[7] Karl Hammar, Alexei Orekhov, Patrik Wallin Hybelius, Anna Katariina Wisakanto, Basudha Srivastava, Anton Frisk Kockum und Mats Granath, „Fehlerratenagnostische Dekodierung topologischer Stabilisatorcodes“, Physische Überprüfung A 105 4, 042616 (2022).

[8] Maxwell T. West und Muhammad Usman, „Framework for Donor-Qubit Spatial Metrology in Silicon with Depths Approaching the Bulk Limit“, Physische Überprüfung angewendet 17 2, 024070 (2022).

[9] Maxwell T. West, Shu-Lok Tsang, Jia S. Low, Charles D. Hill, Christopher Leckie, Lloyd CL Hollenberg, Sarah M. Erfani und Muhammad Usman, „Auf dem Weg zu quantenverstärkter gegnerischer Robustheit beim maschinellen Lernen“, arXiv: 2306.12688, (2023).

[10] Moritz Lange, Pontus Havström, Basudha Srivastava, Valdemar Bergentall, Karl Hammar, Olivia Heuts, Evert van Nieuwenburg und Mats Granath, „Datengesteuerte Dekodierung von Quantenfehlerkorrekturcodes mithilfe graphischer neuronaler Netze“, arXiv: 2307.01241, (2023).

Die obigen Zitate stammen von SAO / NASA ADS (Zuletzt erfolgreich aktualisiert am 2023, 07:12:14 Uhr). Die Liste ist möglicherweise unvollständig, da nicht alle Verlage geeignete und vollständige Zitationsdaten bereitstellen.

Konnte nicht abrufen Crossref zitiert von Daten während des letzten Versuchs 2023-07-12 14:31:11: Von Crossref konnten keine zitierten Daten für 10.22331 / q-2023-07-12-1058 abgerufen werden. Dies ist normal, wenn der DOI kürzlich registriert wurde.

Dieses Papier ist in Quantum unter dem veröffentlicht Creative Commons Namensnennung 4.0 International (CC BY 4.0) Lizenz. Das Copyright verbleibt bei den ursprünglichen Copyright-Inhabern wie den Autoren oder deren Institutionen.

Zeitstempel:

Mehr von Quantenjournal