Un decodificador de síndrome de red neuronal artificial escalable y rápido para códigos de superficie

Un decodificador de síndrome de red neuronal artificial escalable y rápido para códigos de superficie

Marca de tiempo: 12 de julio de 2023 10:23 a. M.

Spiro Gicev1, Lloyd CL Hollenberg1y Mohamed Usman1,2,3

1Centro de Computación Cuántica y Tecnología de la Comunicación, Escuela de Física, Universidad de Melbourne, Parkville, 3010, VIC, Australia.
2Escuela de Computación y Sistemas de Información, Escuela de Ingeniería de Melbourne, Universidad de Melbourne, Parkville, 3010, VIC, Australia
3Data61, CSIRO, Clayton, 3168, VIC, Australia

¿Encuentra este documento interesante o quiere discutirlo? Scite o deje un comentario en SciRate.

Resumen

La corrección de errores de código de superficie ofrece una vía muy prometedora para lograr una computación cuántica tolerante a fallas y escalable. Cuando se operan como códigos estabilizadores, los cálculos de códigos de superficie consisten en un paso de decodificación de síndromes en el que los operadores estabilizadores medidos se utilizan para determinar las correcciones apropiadas para los errores en los cúbits físicos. Los algoritmos de decodificación han experimentado un desarrollo sustancial, con trabajos recientes que incorporan técnicas de aprendizaje automático (ML). A pesar de los prometedores resultados iniciales, los decodificadores de síndrome basados ​​en ML todavía se limitan a demostraciones a pequeña escala con baja latencia y son incapaces de manejar códigos de superficie con condiciones límite y varias formas necesarias para la cirugía de celosía y el trenzado. Aquí, informamos el desarrollo de un decodificador de síndrome escalable y rápido basado en una red neuronal artificial (ANN) capaz de decodificar códigos de superficie de forma y tamaño arbitrarios con qubits de datos que sufren el modelo de error de despolarización. Basado en un entrenamiento riguroso de más de 50 millones de instancias de errores cuánticos aleatorios, se muestra que nuestro decodificador ANN funciona con distancias de código superiores a 1000 (más de 4 millones de qubits físicos), que es la demostración de decodificador basada en ML más grande hasta la fecha. El decodificador ANN establecido demuestra un tiempo de ejecución en principio independiente de la distancia del código, lo que implica que su implementación en hardware dedicado podría potencialmente ofrecer tiempos de decodificación de código de superficie de O ($ mu $ seg), acordes con los tiempos de coherencia de qubit realizables experimentalmente. Con la ampliación anticipada de los procesadores cuánticos en la próxima década, se espera que su aumento con un decodificador de síndrome rápido y escalable como el desarrollado en nuestro trabajo desempeñe un papel decisivo hacia la implementación experimental del procesamiento de información cuántica tolerante a fallas.

Un decodificador de síndrome de red neuronal artificial rápido y escalable para códigos de superficie PlatoBlockchain Data Intelligence. Búsqueda vertical. Ai.

Imagen destacada: Marco decodificador de red neuronal artificial para una corrección de errores rápida y escalable.

Resumen popular

La precisión de la generación actual de dispositivos cuánticos sufre de ruido o errores. Los códigos de corrección de errores cuánticos, como los códigos de superficie, se pueden implementar para detectar y corregir errores. Un paso crucial en la implementación de los esquemas de código de superficie es la decodificación, el algoritmo que usa información de error medida directamente desde la computadora cuántica para calcular las correcciones apropiadas. Para resolver de manera efectiva los problemas causados ​​por el ruido, los decodificadores deben calcular las correcciones adecuadas al ritmo de las mediciones rápidas realizadas en el hardware cuántico subyacente. Esto debe lograrse a distancias de código de superficie lo suficientemente grandes como para suprimir errores de manera suficiente y simultáneamente en todos los qubits lógicos activos. El trabajo anterior ha analizado principalmente algoritmos de coincidencia de gráficos, como la coincidencia perfecta de peso mínimo, y algunos trabajos recientes también investigan el uso de redes neuronales para esta tarea, aunque se limitan a implementaciones a pequeña escala.

Nuestro trabajo propuso e implementó un marco de red neuronal convolucional novedoso para abordar los problemas de escala que se encuentran al decodificar códigos de superficie de gran distancia. La red neuronal convolucional recibió una entrada compuesta por medidas de paridad modificadas, así como la estructura de límites del código de corrección de errores. Dada la ventana finita de observación local que se produce en toda la red neuronal convolucional, se utilizó un decodificador de barrido para corregir cualquier error residual escaso que pudiera quedar. Basado en un entrenamiento riguroso de más de 50 millones de instancias de errores cuánticos aleatorios, se demostró que nuestro decodificador funciona con distancias de código superiores a 1000 (más de 4 millones de qubits físicos), que fue la demostración de decodificador basada en ML más grande hasta la fecha.

El uso de redes neuronales convolucionales y estructura de límites en la entrada permitió que nuestra red se aplicara en una amplia gama de distancias de código de superficie y configuraciones de límites. La conectividad local de la red permite mantener una baja latencia cuando se decodifican códigos de mayor distancia y facilita fácilmente la paralelización. Nuestro trabajo aborda un problema clave en el uso de redes neuronales para decodificar a escalas de problemas de interés práctico y permite futuras investigaciones que involucren el uso de redes con estructura similar.

► datos BibTeX

► referencias

[ 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 y P. Wallden. “Avances en criptografía cuántica”. Adv. Optar. Fotón. 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 y Alán Aspuru-Guzik. “Química cuántica en la era de la computación cuántica”. Chemical Reviews 119, 10856–10915 (2019).
https: / / doi.org/ 10.1021 / acs.chemrev.8b00803

[ 3 ] Román Orús, Samuel Mugel y Enrique Lizaso. “Computación cuántica para las finanzas: panorama general y perspectivas”. Reseñas en Physics 4, 100028 (2019).
https: / / doi.org/ 10.1016 / j.revip.2019.100028

[ 4 ] Craig Gidney y Martin Ekerå. “Cómo factorizar enteros RSA de 2048 bits en 8 horas utilizando 20 millones de qubits ruidosos”. Cuántica 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 y Ryan Babbush. "Cálculos cuánticos de química aún más eficientes a través de la hipercontracción del tensor". 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 y Ryan Babbush. “Compilación de heurísticas cuánticas tolerantes a fallas para optimización combinatoria”. PRX Quantum 1, 020312 (2020).
https: / / doi.org/ 10.1103 / PRXQuantum.1.020312

[ 7 ] Eric Dennis, Alexei Kitaev, Andrew Landahl y John Preskill. “Memoria cuántica topológica”. Revista de Física Matemática 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 y Andreas Wallraff. “Detección de errores cuánticos repetidos en un código de superficie”. Física de la naturaleza 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. “Supresión exponencial de errores de bit o de fase con corrección cíclica de errores”. Naturaleza 595, 383–387 (2021).
https: / / doi.org/ 10.1038 / s41586-021-03588-y

[ 10 ] Austin G. Fowler, David S. Wang y Lloyd CL Hollenberg. “Corrección de errores cuánticos de código de superficie que incorpora una propagación precisa de errores” (2010). arXiv:1004.0255.
https://​/​doi.org/​10.48550/​arXiv.1004.0255
arXiv: 1004.0255

[ 11 ] Austin G. Fowler, Adam C. Whiteside y Lloyd CL Hollenberg. “Hacia un procesamiento clásico práctico para el código de superficie”. Cartas de revisión física 108 (2012).
https: / / doi.org/ 10.1103 / physrevlett.108.180501

[ 12 ] Austin G. Fowler. “Corrección de complejidad óptima de errores correlacionados en el código de superficie” (2013). arXiv:1310.0863.
https://​/​doi.org/​10.48550/​arXiv.1310.0863
arXiv: 1310.0863

[ 13 ] Fern HE Watson, Hussain Anwar y Dan E. Browne. “Decodificador rápido tolerante a fallas para códigos de superficie qubit y qudit”. física Rev. A 92, 032309 (2015).
https: / / doi.org/ 10.1103 / PhysRevA.92.032309

[ 14 ] Guillaume Duclos-Cianci y David Poulin. “Decodificadores rápidos para códigos cuánticos topológicos”. física Rev. Lett. 104, 050504 (2010).
https: / / doi.org/ 10.1103 / PhysRevLett.104.050504

[ 15 ] Robert Raussendorf y Jim Harrington. “Cómputo cuántico tolerante a fallas con alto umbral en dos dimensiones”. física Rev. Lett. 98, 190504 (2007).
https: / / doi.org/ 10.1103 / PhysRevLett.98.190504

[ 16 ] Daniel Litinsky. “Un juego de códigos de superficie: computación cuántica a gran escala con cirugía de celosía”. Cuántica 3, 128 (2019).
https:/​/​doi.org/​10.22331/​q-2019-03-05-128

[ 17 ] Savvas Varsamopoulos, Ben Criger y Koen Bertels. “Decodificación de pequeños códigos de superficie con redes neuronales feedforward”. Ciencia y Tecnología Cuántica 3, 015004 (2017).
https: / / doi.org/ 10.1088 / 2058-9565 / aa955a

[ 18 ] Amarsanaa Davaasuren, Yasunari Suzuki, Keisuke Fujii y Masato Koashi. "Marco general para construir un decodificador basado en aprendizaje automático rápido y casi óptimo de los códigos estabilizadores topológicos". física Res. Rev. 2, 033399 (2020).
https: / / doi.org/ 10.1103 / PhysRevResearch.2.033399

[ 19 ] Giacomo Torlai y Roger G. Melko. “Decodificador neuronal para códigos topológicos”. física Rev. Lett. 119, 030501 (2017).
https: / / doi.org/ 10.1103 / PhysRevLett.119.030501

[ 20 ] Stefan Krastanov y Liang Jiang. “Decodificador probabilístico de redes neuronales profundas para códigos estabilizadores”. Informes científicos 7 (2017).
https:/​/​doi.org/​10.1038/​s41598-017-11266-1

[ 21 ] Paul Baireuther, Thomas E. O'Brien, Brian Tarasinski y Carlo WJ Beenakker. “Corrección asistida por aprendizaje automático de errores qubit correlacionados en un código topológico”. Cuántica 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 y Sundaraja Sitharama Iyengar. “Descodificación eficiente de síndromes de código de superficie para la corrección de errores en computación cuántica” (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 y Jens Eisert. “Decodificadores de aprendizaje por refuerzo para computación cuántica tolerante a fallas”. Aprendizaje automático: ciencia y tecnología 2, 025005 (2020).
https: / / doi.org/ 10.1088 / 2632-2153 / abc609

[ 24 ] Elisha Siddiqui Matekole, Esther Ye, Ramya Iyer y Samuel Yen-Chi Chen. “Decodificación de códigos de superficie con aprendizaje de refuerzo profundo y reutilización de políticas probabilísticas” (2022). arXiv:2212.11890.
https://​/​doi.org/​10.48550/​arXiv.2212.11890
arXiv: 2212.11890

[ 25 ] Ramon WJ Overwater, Masoud Babaie y Fabio Sebastiano. "Decodificadores de redes neuronales para la corrección de errores cuánticos utilizando códigos de superficie: una exploración espacial de las compensaciones de costo-rendimiento del hardware". Transacciones IEEE sobre ingeniería cuántica 3, 1–19 (2022).
https: / / doi.org/ 10.1109 / TQE.2022.3174017

[ 26 ] Kai Meinerz, Chae-Yeun Park y Simon Trebst. “Decodificador neuronal escalable para códigos topológicos de superficie”. física Rev. Lett. 128, 080505 (2022).
https: / / doi.org/ 10.1103 / PhysRevLett.128.080505

[ 27 ] S. Varsamopoulos, K. Bertels y C. Almudever. “Comparación de decodificadores basados ​​en redes neuronales para el código de superficie”. Transacciones IEEE en computadoras 69, 300–311 (2020).
https: / / doi.org/ 10.1109 / TC.2019.2948612

[ 28 ] Óscar Higgott. “Pymatching: un paquete de python para decodificar códigos cuánticos con coincidencia perfecta de peso mínimo” (2021). arXiv:2105.13082.
https://​/​doi.org/​10.48550/​arXiv.2105.13082
arXiv: 2105.13082

[ 29 ] Christopher Chamberland y Pooya Ronagh. "Decodificadores neuronales profundos para experimentos tolerantes a fallas a corto plazo". Ciencia y Tecnología Cuántica 3, 044002 (2018).
https:/​/​doi.org/​10.1088/​2058-9565/​aad1f7

[ 30 ] Daniel Gottesmann. “Códigos estabilizadores y corrección de errores cuánticos” (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 y Lloyd CL Hollenberg. “Una computadora cuántica de código de superficie en silicio”. Avances científicos 1, e1500707 (2015).
https: / / doi.org/ 10.1126 / sciadv.1500707

[ 32 ] G. Pica, BW Lovett, RN Bhatt, T. Schenkel y SA Lyon. “Arquitectura de código de superficie para donantes y puntos en silicio con acoplamientos qubit imprecisos y no uniformes”. física Rev. B 93, 035306 (2016).
https: / / doi.org/ 10.1103 / PhysRevB.93.035306

[ 33 ] Charles D. Hill, Muhammad Usman y Lloyd CL Hollenberg. “Una arquitectura informática cuántica de código de superficie basada en intercambio en silicio” (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 y Andrew W. Cross. “Códigos topológicos y de subsistemas en grafos de bajo grado con qubits bandera”. física Rev. X 10, 011022 (2020).
https: / / doi.org/ 10.1103 / PhysRevX.10.011022

[ 35 ] H. Bombin, Ruben S. Andrist, Masayuki Ohzeki, Helmut G. Katzgraber y MA Martin-Delgado. “Fuerte resiliencia de los códigos topológicos a la despolarización”. física Rev. X 2, 021004 (2012).
https: / / doi.org/ 10.1103 / PhysRevX.2.021004

[ 36 ] Ashley M. Stephens. “Umbrales tolerantes a fallos para la corrección de errores cuánticos con el código de superficie”. física Rev. A 89, 022321 (2014).
https: / / doi.org/ 10.1103 / PhysRevA.89.022321

[ 37 ] David S. Wang, Austin G. Fowler y Lloyd CL Hollenberg. “Computación cuántica de código de superficie con tasas de error superiores al 1%”. física Rev. A 83, 020302 (2011).
https: / / doi.org/ 10.1103 / PhysRevA.83.020302

[ 38 ] Austin G. Fowler y Craig Gidney. “Cálculo cuántico de baja sobrecarga mediante cirugía de celosía” (2019). arXiv:1808.06709.
https://​/​doi.org/​10.48550/​arXiv.1808.06709
arXiv: 1808.06709

[ 39 ] Austin G. Fowler, Matteo Mariantoni, John M. Martinis y Andrew N. Cleland. “Códigos de superficie: hacia la computación cuántica práctica a gran escala”. Revisión Física A 86 (2012).
https: / / doi.org/ 10.1103 / physreva.86.032324

[ 40 ] Xiaotong Ni. “Decodificadores de redes neuronales para códigos tóricos 2d de larga distancia”. Cuántica 4, 310 (2020).
https:/​/​doi.org/​10.22331/​q-2020-08-24-310

[ 41 ] A. Holmes, M. Jokar, G. Pasandi, Y. Ding, M. Pedram y FT Chong. “Nisq+: Impulsando el poder de la computación cuántica al aproximar la corrección de errores cuánticos”. En 2020 ACM/IEEE 47th Annual International Symposium on Computer Architecture (ISCA). Páginas 556–569. Los Alamitos, CA, EE. UU. (2020). Sociedad de Computación IEEE.
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 y Christopher Eichler. "Estabilización de entrelazamiento mediante detección de paridad basada en ancilla y retroalimentación en tiempo real en circuitos superconductores". npj Información cuántica 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 y Xiaoqiang Zheng. “Tensorflow: aprendizaje automático a gran escala en sistemas distribuidos heterogéneos” (2016). arXiv:1603.04467.
https://​/​doi.org/​10.48550/​arXiv.1603.04467
arXiv: 1603.04467

[ 44 ] Nicolás Delfosse y Naomi H. Nickerson. “Algoritmo de decodificación de tiempo casi lineal para códigos topológicos”. Cuántica 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 y Sven Rogge. "Ingeniería de tiempos largos de coherencia de espín de qubits de espín-órbita en silicio". Materiales de la naturaleza 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 y Benjamin J. Brown. “El código de superficie XZZX”. Comunicaciones de la naturaleza 12 (2021).
https:/​/​doi.org/​10.1038/​s41467-021-22274-1

[ 47 ] Dmitri E. Nikonov e Ian A. Young. “Evaluación comparativa del retardo y la energía de los circuitos de inferencia neuronal”. Revista IEEE sobre dispositivos y circuitos computacionales exploratorios de estado sólido 5, 75–84 (2019).
https://​/​doi.org/​10.1109/​JXCDC.2019.2956112

[ 48 ] Austin G. Fowler. “Coincidencia perfecta de peso mínimo de corrección de error cuántico topológico tolerante a fallas en tiempo paralelo promedio de $o(1)$” (2014). arXiv:1307.1740.
https://​/​doi.org/​10.48550/​arXiv.1307.1740
arXiv: 1307.1740

[ 49 ] Vedran Dunjko y Hans J. Briegel. “Aprendizaje automático e inteligencia artificial en el dominio cuántico: una revisión del progreso reciente”. Informes sobre el progreso en física 81, 074001 (2018).
https: / / doi.org/ 10.1088 / 1361-6633 / aab406

[ 50 ] Laia Domingo Colomer, Michalis Skotiniotis, and Ramon Muñoz-Tapia. “Aprendizaje por refuerzo para la corrección óptima de errores de códigos tóricos”. Letras de física A 384, 126353 (2020).
https: / / doi.org/ 10.1016 / j.physleta.2020.126353

[ 51 ] Milap Sheth, Sara Zafar Jafarzadeh y Vlad Gheorghiu. “Decodificación de conjuntos neuronales para códigos de corrección de errores cuánticos topológicos”. física Rev. A 101, 032338 (2020).
https: / / doi.org/ 10.1103 / PhysRevA.101.032338

[ 52 ] David Fitzek, Mattias Eliasson, Anton Frisk Kockum y Mats Granath. “Decodificador q-learning profundo para ruido despolarizante en el código tórico”. física Res. Rev. 2, 023230 (2020).
https: / / doi.org/ 10.1103 / PhysRevResearch.2.023230

[ 53 ] Savvas Varsamopoulos, Koen Bertels y Carmen G Almudever. "Decodificación de código de superficie con un decodificador basado en redes neuronales distribuidas". Inteligencia de máquina cuántica 2, 1–12 (2020).
https:/​/​doi.org/​10.1007/​s42484-020-00015-9

[ 54 ] Thomas Wagner, Hermann Kampermann y Dagmar Bruß. “Simetrías para un decodificador neuronal de alto nivel sobre el código tórico”. física Rev. A 102, 042411 (2020).
https: / / doi.org/ 10.1103 / PhysRevA.102.042411

[ 55 ] Philip Andreasson, Joel Johansson, Simon Liljestrand y Mats Granath. “Corrección de errores cuánticos para el código tórico mediante aprendizaje por refuerzo profundo”. Cuántica 3, 183 (2019).
https:/​/​doi.org/​10.22331/​q-2019-09-02-183

[ 56 ] Nikolas P. Breuckmann y Xiaotong Ni. “Decodificadores de redes neuronales escalables para códigos cuánticos de dimensiones superiores”. Cuántica 2, 68 (2018).
https:/​/​doi.org/​10.22331/​q-2018-05-24-68

Citado por

[1] Christopher Chamberland, Luis Goncalves, Prasahnt Sivarajah, Eric Peterson y Sebastian Grimberg, "Técnicas para combinar decodificadores locales rápidos con decodificadores globales bajo ruido a nivel de circuito", arXiv: 2208.01178, (2022).

[2] Samuel C. Smith, Benjamin J. Brown y Stephen D. Bartlett, "Predecodificador local para reducir el ancho de banda y la latencia de la corrección de errores cuánticos", Revisión física aplicada 19 3, 034050 (2023).

[3] Xinyu Tan, Fang Zhang, Rui Chao, Yaoyun Shi y Jianxin Chen, “Descodificadores de código de superficie escalables con paralelización en el tiempo”, arXiv: 2209.09219, (2022).

[4] Maxwell T. West, Sarah M. Erfani, Christopher Leckie, Martin Sevior, Lloyd CL Hollenberg y Muhammad Usman, "Evaluación comparativa del aprendizaje cuántico robusto de máquinas a escala", Investigación de revisión física 5 2, 023186 (2023).

[5] Yosuke Ueno, Masaaki Kondo, Masamitsu Tanaka, Yasunari Suzuki y Yutaka Tabuchi, “NEO-QEC: Decodificador superconductor en línea mejorado de red neuronal para códigos de superficie”, arXiv: 2208.05758, (2022).

[6] Mengyu Zhang, Xiangyu Ren, Guanglei Xi, Zhenxing Zhang, Qiaonian Yu, Fuming Liu, Hualiang Zhang, Shengyu Zhang y Yi-Cong Zheng, “Un decodificador neuronal escalable, rápido y programable para computación cuántica tolerante a fallas usando códigos de superficie”, arXiv: 2305.15767, (2023).

[7] Karl Hammar, Alexei Orekhov, Patrik Wallin Hybelius, Anna Katariina Wisakanto, Basudha Srivastava, Anton Frisk Kockum y Mats Granath, “Error-rate-agnostic decoding of topological estabilizador codes”, Revisión física A 105 4, 042616 (2022).

[8] Maxwell T. West y Muhammad Usman, "Marco para la metrología espacial Donor-Qubit en silicio con profundidades que se acercan al límite de volumen", Revisión física aplicada 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 y Muhammad Usman, "Hacia la robustez adversarial mejorada cuántica en el aprendizaje automático", arXiv: 2306.12688, (2023).

[10] Moritz Lange, Pontus Havström, Basudha Srivastava, Valdemar Bergentall, Karl Hammar, Olivia Heuts, Evert van Nieuwenburg y Mats Granath, "Descodificación basada en datos de códigos de corrección de errores cuánticos utilizando redes neuronales gráficas", arXiv: 2307.01241, (2023).

Las citas anteriores son de ANUNCIOS SAO / NASA (última actualización exitosa 2023-07-12 14:31:13). La lista puede estar incompleta ya que no todos los editores proporcionan datos de citas adecuados y completos.

No se pudo recuperar Crossref citado por datos durante el último intento 2023-07-12 14:31:11: No se pudieron obtener los datos citados por 10.22331 / q-2023-07-12-1058 de Crossref. Esto es normal si el DOI se registró recientemente.

Este documento se publica en Quantum bajo el Creative Commons Reconocimiento 4.0 Internacional (CC BY 4.0) licencia. Los derechos de autor permanecen con los titulares de derechos de autor originales, como los autores o sus instituciones.

Sello de tiempo:

Mas de Diario cuántico