Skaalautuva ja nopea keinotekoinen hermoverkko-oireyhtymä dekooderi pintakoodeille

Skaalautuva ja nopea keinotekoinen hermoverkko-oireyhtymä dekooderi pintakoodeille

Aikaleima: 12. heinäkuuta 2023 klo 10

Spiro Gicev1, Lloyd CL Hollenberg1ja Muhammad Usman1,2,3

1Center for Quantum Computation and Communication Technology, Fysiikan korkeakoulu, Melbournen yliopisto, Parkville, 3010, VIC, Australia.
2School of Computing and Information Systems, Melbourne School of Engineering, University of Melbourne, Parkville, 3010, VIC, Australia
3Data61, CSIRO, Clayton, 3168, VIC, Australia

Onko tämä artikkeli mielenkiintoinen vai haluatko keskustella? Scite tai jätä kommentti SciRate.

Abstrakti

Pintakoodin virheenkorjaus tarjoaa erittäin lupaavan tavan saavuttaa skaalautuva vikasietoinen kvanttilaskenta. Kun niitä käytetään stabilointikoodeina, pintakoodilaskelmat koostuvat oireyhtymän dekoodausvaiheesta, jossa mitattuja stabilointioperaattoreita käytetään määrittämään asianmukaiset korjaukset fyysisten kubittien virheille. Dekoodausalgoritmeja on kehitetty huomattavasti, ja viime aikoina on tehty koneoppimistekniikoita (ML). Lupaavista alkutuloksista huolimatta ML-pohjaiset oireyhtymädekooderit rajoittuvat edelleen pienimuotoisiin demonstraatioihin alhaisella latenssilla eivätkä pysty käsittelemään pintakoodeja, joissa on reunaehtoja ja erilaisia ​​​​muotoja, joita tarvitaan hilakirurgiaan ja punokseen. Tässä raportoimme keinotekoisen hermoverkkoon (ANN) perustuvan skaalautuvan ja nopean oireyhtymän dekooderin kehittämisestä, joka pystyy dekoodaamaan mielivaltaisen muotoisia ja kokoisia pintakoodeja datakubiteilla, jotka kärsivät depolarisoivasta virhemallista. Yli 50 miljoonan satunnaisen kvanttivirhetapauksen tiukan koulutuksen perusteella ANN-dekooderimme on osoitettu toimivan yli 1000 (yli 4 miljoonaa fyysistä kubittia) koodietäisyyksillä, mikä on tähän mennessä suurin ML-pohjaisen dekooderin esittely. Vakiintunut ANN-dekooderi osoittaa periaatteessa koodietäisyydestä riippumattoman suoritusajan, mikä tarkoittaa, että sen toteutus omistetussa laitteistossa voisi mahdollisesti tarjota pintakoodin dekoodausaikoja O($mu$sec), joka on verrannollinen kokeellisesti toteutettavissa oleviin qubit-koherenssiaikoihin. Kun kvanttiprosessorien skaalaa odotetaan seuraavan vuosikymmenen aikana, niiden lisäämisellä nopealla ja skaalautuvalla oireyhtymädekooderilla, kuten työmme on kehitetty, odotetaan olevan ratkaiseva rooli vikasietoisen kvanttitietojen käsittelyn kokeellisessa toteutuksessa.

Skaalautuva ja nopea keinotekoinen hermoverkkosyndroomadekooderi pintakoodeille PlatoBlockchain Data Intelligence. Pystysuuntainen haku. Ai.

Suositeltu kuva: Keinotekoinen hermoverkkodekooderikehys nopeaan ja skaalautuvaan virheenkorjaukseen.

Suosittu yhteenveto

Nykyisen sukupolven kvanttilaitteiden tarkkuus kärsii kohinasta tai virheistä. Kvanttivirheenkorjauskoodeja, kuten pintakoodeja, voidaan käyttää virheiden havaitsemiseen ja korjaamiseen. Ratkaiseva askel pintakoodimallien toteutuksessa on dekoodaus, algoritmi, joka laskee tarvittavat korjaukset suoraan kvanttitietokoneelta mitatun virheinformaation avulla. Jotta kohinan aiheuttamat ongelmat voitaisiin ratkaista tehokkaasti, dekoodereiden on laskettava asianmukaiset korjaukset samassa tahdissa taustalla olevan kvanttilaitteiston nopeiden mittausten kanssa. Tämä on saavutettava pintakoodietäisyyksillä, jotka ovat riittävän suuria estämään virheet riittävästi ja samanaikaisesti kaikissa aktiivisissa loogisissa kubiteissa. Aikaisemmissa töissä on tarkasteltu ensisijaisesti graafin täsmäytysalgoritmeja, kuten minimipainon täydellinen täsmäys, ja joissakin viimeaikaisissa töissä on myös tutkittu neuroverkkojen käyttöä tähän tehtävään, vaikkakin rajoittuen pienimuotoisiin toteutuksiin.

Työmme ehdotti ja toteutti uudenlaista konvoluutiohermoverkkokehystä, joka ratkaisee skaalausongelmia, joita kohdataan dekoodattaessa suurietäisyyspintakoodeja. Konvoluutiohermoverkko sai syötteen, joka koostui muuttuneista pariteettimittauksista sekä virheenkorjauskoodin rajarakenteesta. Ottaen huomioon paikallisen havainnon rajallisen ikkunan, joka esiintyy koko konvoluutiohermoverkossa, mop-up-dekooderia käytettiin korjaamaan mahdollisesti jäljellä olevat harvat jäännösvirheet. Yli 50 miljoonan satunnaisen kvanttivirhetapauksen tiukan koulutuksen perusteella dekooderimme osoitettiin toimivan yli 1000 (yli 4 miljoonaa fyysistä kubittia) koodietäisyyksillä, mikä oli tähän mennessä suurin ML-pohjaisen dekooderin esittely.

Konvoluutiohermoverkkojen ja rajarakenteen käyttö syötteessä mahdollisti verkkomme soveltamisen monenlaisiin pintakoodietäisyyksiin ja rajakonfiguraatioihin. Verkon paikallinen liitettävyys mahdollistaa alhaisen latenssin säilyttämisen suurempien etäisyyksien koodeja dekoodattaessa ja helpottaa helposti rinnakkaisuutta. Työmme käsittelee keskeistä ongelmaa hermoverkkojen käytössä dekoodaukseen käytännön mielenkiintoisten ongelmien asteikolla ja mahdollistaa jatkotutkimuksen, jossa käytetään samankaltaisten verkkojen käyttöä.

► BibTeX-tiedot

► Viitteet

[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 ja P. Wallden. "Kvanttisalauksen edistysaskel". Adv. Valita. Fotoni. 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 ja Alán Aspuru-Guzik. "Kvanttikemia kvanttilaskennan aikakaudella". Chemical Reviews 119, 10856–10915 (2019).
https: / / doi.org/ 10.1021 / acs.chemrev.8b00803

[3] Román Orús, Samuel Mugel ja Enrique Lizaso. "Kvanttilaskenta rahoitukselle: Yleiskatsaus ja tulevaisuudennäkymät". Reviews in Physics 4, 100028 (2019).
https: / / doi.org/ 10.1016 / j.revip.2019.100028

[4] Craig Gidney ja Martin Ekerå. "Kuinka kertoa 2048-bittiset RSA-kokonaisluvut 8 tunnissa käyttämällä 20 miljoonaa meluisaa kubittia". 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 ja Ryan Babbush. "Väljä tehokkaammat kemian kvanttilaskut tensorihyperkontraktsioonin avulla". 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 ja Ryan Babbush. "Vikasietoisten kvanttiheuristiikojen kokoaminen kombinatoriseen optimointiin". PRX Quantum 1, 020312 (2020).
https: / / doi.org/ 10.1103 / PRXQuantum.1.020312

[7] Eric Dennis, Aleksei Kitaev, Andrew Landahl ja John Preskill. "Topologinen kvanttimuisti". Journal of Mathematical Physics 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 ja Andreas Wallraff. "Toistuva kvanttivirheen havaitseminen pintakoodissa". Nature Physics 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 jne. "Bitti- tai vaihevirheiden eksponentiaalinen vaimennus syklisellä virheenkorjauksella". Nature 595, 383–387 (2021).
https: / / doi.org/ 10.1038 / s41586-021-03588-y

[10] Austin G. Fowler, David S. Wang ja Lloyd CL Hollenberg. "Pintakoodin kvanttivirheen korjaus, joka sisältää tarkan virheen leviämisen" (2010). arXiv:1004.0255.
https://​/​doi.org/​10.48550/​arXiv.1004.0255
arXiv: 1004.0255

[11] Austin G. Fowler, Adam C. Whiteside ja Lloyd CL Hollenberg. "Kohti käytännöllistä klassista pintakoodin käsittelyä". Physical Review Letters 108 (2012).
https: / / doi.org/ 10.1103 / physrevlett.108.180501

[12] Austin G. Fowler. "Pintakoodin korreloitujen virheiden optimaalinen kompleksisuuden korjaus" (2013). arXiv:1310.0863.
https://​/​doi.org/​10.48550/​arXiv.1310.0863
arXiv: 1310.0863

[13] Fern HE Watson, Hussain Anwar ja Dan E. Browne. "Nopea vikasietoinen dekooderi qubit- ja qudit-pintakoodeille". Phys. Rev. A 92, 032309 (2015).
https: / / doi.org/ 10.1103 / PhysRevA.92.032309

[14] Guillaume Duclos-Cianci ja David Poulin. "Nopeat dekooderit topologisille kvanttikoodeille". Phys. Rev. Lett. 104, 050504 (2010).
https: / / doi.org/ 10.1103 / PhysRevLett.104.050504

[15] Robert Raussendorf ja Jim Harrington. "Vikasietoinen kvanttilaskenta, jossa on korkea kynnys kahdessa ulottuvuudessa". Phys. Rev. Lett. 98, 190504 (2007).
https: / / doi.org/ 10.1103 / PhysRevLett.98.190504

[16] Daniel Litinski. "Pintakoodien peli: Laajamittainen kvanttilaskenta hilakirurgialla". Quantum 3, 128 (2019).
https:/​/​doi.org/​10.22331/​q-2019-03-05-128

[17] Savvas Varsamopoulos, Ben Criger ja Koen Bertels. "Pienten pintakoodien dekoodaus feedforward-hermoverkoilla". Quantum Science and Technology 3, 015004 (2017).
https: / / doi.org/ 10.1088 / 2058-9565 / aa955a

[18] Amarsanaa Davasuren, Yasunari Suzuki, Keisuke Fujii ja Masato Koashi. "Yleinen kehys topologisten stabilointikoodien nopean ja lähes optimaalisen koneoppimiseen perustuvan dekooderin rakentamiseksi". Phys. Rev. Res. 2, 033399 (2020).
https: / / doi.org/ 10.1103 / PhysRevResearch.2.033399

[19] Giacomo Torlai ja Roger G. Melko. "Neuraalidekooderi topologisille koodeille". Phys. Rev. Lett. 119, 030501 (2017).
https: / / doi.org/ 10.1103 / PhysRevLett.119.030501

[20] Stefan Krastanov ja Liang Jiang. "Syvän hermoverkon probabilistinen dekooderi stabilointikoodeille". Scientific Reports 7 (2017).
https:/​/​doi.org/​10.1038/​s41598-017-11266-1

[21] Paul Baireuther, Thomas E. O'Brien, Brian Tarasinski ja Carlo WJ Beenakker. "Koneoppimisavusteinen korreloitujen qubit-virheiden korjaus topologisessa koodissa". 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 ja Sundaraja Sitharama Iyengar. "Pintakoodioireyhtymien tehokas dekoodaus virheenkorjaukseen kvanttilaskennassa" (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 ja Jens Eisert. "Vahvistavat oppimisdekooderit vikasietoiseen kvanttilaskentaan". Machine Learning: Science and Technology 2, 025005 (2020).
https://doi.org/ 10.1088/2632-2153/abc609

[24] Elisha Siddiqui Matekole, Esther Ye, Ramya Iyer ja Samuel Yen-Chi Chen. "Pintakoodien dekoodaus syvällä vahvistusoppimisella ja todennäköisyyspolitiikan uudelleenkäytöllä" (2022). arXiv:2212.11890.
https://​/​doi.org/​10.48550/​arXiv.2212.11890
arXiv: 2212.11890

[25] Ramon WJ Overwater, Masoud Babaie ja Fabio Sebastiano. "Neuraaliverkkodekooderit kvanttivirheen korjaamiseen pintakoodeja käyttäen: Avaruustutkimus laitteiston kustannustehokkuuden kompromisseista". IEEE Transactions on Quantum Engineering 3, 1–19 (2022).
https: / / doi.org/ 10.1109 / TQE.2022.3174017

[26] Kai Meinerz, Chae-Yeun Park ja Simon Trebst. "Skaalautuva hermodekooderi topologisille pintakoodeille". Phys. Rev. Lett. 128, 080505 (2022).
https: / / doi.org/ 10.1103 / PhysRevLett.128.080505

[27] S. Varsamopoulos, K. Bertels ja C. Almudever. "Vertaamalla hermoverkkopohjaisia ​​dekoodeja pintakoodiin". IEEE Transactions on Computers 69, 300–311 (2020).
https: / / doi.org/ 10.1109 / TC.2019.2948612

[28] Oscar Higgott. "Pymatching: Python-paketti kvanttikoodien dekoodaamiseen vähimmäispainoisella täydellisellä vastaavuudella" (2021). arXiv:2105.13082.
https://​/​doi.org/​10.48550/​arXiv.2105.13082
arXiv: 2105.13082

[29] Christopher Chamberland ja Pooya Ronagh. "Syvät hermodekooderit lyhyen aikavälin vikasietoisiin kokeisiin". Quantum Science and Technology 3, 044002 (2018).
https:/​/​doi.org/​10.1088/​2058-9565/​aad1f7

[30] Daniel Gottesman. "Stabilisaattorikoodit ja kvanttivirheen korjaus" (1997). arXiv:quant-ph/​9705052.
https://​/​doi.org/​10.48550/​arXiv.quant-ph/​9705052
arXiv: kvant-ph / 9705052

[31] Charles D. Hill, Eldad Peretz, Samuel J. Hile, Matthew G. House, Martin Fuechsle, Sven Rogge, Michelle Y. Simmons ja Lloyd CL Hollenberg. "Pintakoodikvanttitietokone piissä". Science Advances 1, e1500707 (2015).
https: / / doi.org/ 10.1126 / sciadv.1500707

[32] G. Pica, BW Lovett, RN Bhatt, T. Schenkel ja SA Lyon. "Pintakoodiarkkitehtuuri luovuttajille ja piille, joissa on epätarkkoja ja epätasaisia ​​qubit-kytkentöjä". Phys. Rev. B 93, 035306 (2016).
https: / / doi.org/ 10.1103 / PhysRevB.93.035306

[33] Charles D. Hill, Muhammad Usman ja Lloyd CL Hollenberg. "Vaihtopohjainen pintakoodikvanttitietokonearkkitehtuuri piissä" (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 ja Andrew W. Cross. "Topologiset ja alijärjestelmäkoodit matalan asteen kaavioissa lippukubiteilla". Phys. Rev. X 10, 011022 (2020).
https: / / doi.org/ 10.1103 / PhysRevX.10.011022

[35] H. Bombin, Ruben S. Andrist, Masayuki Ohzeki, Helmut G. Katzgraber ja MA Martin-Delgado. "Topologisten koodien vahva joustavuus depolarisaatiota vastaan". Phys. Rev. X 2, 021004 (2012).
https: / / doi.org/ 10.1103 / PhysRevX.2.021004

[36] Ashley M. Stephens. "Vikasietoiset kynnysarvot kvanttivirheen korjaukselle pintakoodilla". Phys. Rev. A 89, 022321 (2014).
https: / / doi.org/ 10.1103 / PhysRevA.89.022321

[37] David S. Wang, Austin G. Fowler ja Lloyd CL Hollenberg. Pintakoodin kvanttilaskenta virheprosentilla yli 1 %. Phys. Rev. A 83, 020302 (2011).
https: / / doi.org/ 10.1103 / PhysRevA.83.020302

[38] Austin G. Fowler ja Craig Gidney. "Low overhead kvanttilaskenta hilakirurgialla" (2019). arXiv:1808.06709.
https://​/​doi.org/​10.48550/​arXiv.1808.06709
arXiv: 1808.06709

[39] Austin G. Fowler, Matteo Mariantoni, John M. Martinis ja Andrew N. Cleland. "Pintakoodit: Kohti käytännön laajamittaista kvanttilaskentaa". Physical Review A 86 (2012).
https: / / doi.org/ 10.1103 / physreva.86.032324

[40] Xiaotong Ni. "Neuraaliverkkodekooderit pitkän matkan 2d-torikkakoodeille". 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 ja FT Chong. "Nisq+: Kvanttilaskentatehon lisääminen kvanttivirheenkorjauksen approksimaatiolla". Vuonna 2020 ACM/IEEE 47th Annual International Symposium on Computer Architecture (ISCA). Sivut 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 ja Christopher Eichler. "Ketkeilyn stabilointi käyttämällä apupohjaista pariteettitunnistusta ja reaaliaikaista palautetta suprajohtavissa piireissä". 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 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 Vanhouckevan , Fernanda Viegas, Oriol Vinyals, Pete Warden, Martin Wattenberg, Martin Wicke, Yuan Yu ja Xiaoqiang Zheng. "Tensorflow: Laajamittainen koneoppiminen heterogeenisissä hajautetuissa järjestelmissä" (2016). arXiv:1603.04467.
https://​/​doi.org/​10.48550/​arXiv.1603.04467
arXiv: 1603.04467

[44] Nicolas Delfosse ja Naomi H. Nickerson. "Lähes lineaarinen aikadekoodausalgoritmi topologisille koodeille". 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 ja Sven Rogge. "Pin-kiertorata-kubittien pitkien spin-koherenssiaikojen suunnittelu". Nature Materials 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 ja Benjamin J. Brown. "XZZX-pintakoodi". Nature Communications 12 (2021).
https:/​/​doi.org/​10.1038/​s41467-021-22274-1

[47] Dmitri E. Nikonov ja Ian A. Young. "Neuraalien päättelypiirien vertailuviive ja energia". 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. "Vikasietoisen topologisen kvanttivirheen korjauksen minimipainon täydellinen vastaavuus keskimääräisessä $o(1)$ rinnakkaisajassa" (2014). arXiv:1307.1740.
https://​/​doi.org/​10.48550/​arXiv.1307.1740
arXiv: 1307.1740

[49] Vedran Dunjko ja Hans J Briegel. "Koneoppiminen ja tekoäly kvanttialueella: katsaus viimeaikaiseen edistykseen". Reports on Progress in Physics 81, 074001 (2018).
https: / / doi.org/ 10.1088 / 1361-6633 / aab406

[50] Laia Domingo Colomer, Michalis Skotiniotis ja Ramon Muñoz-Tapia. "Vahvistusoppiminen toric-koodien optimaaliseen virheenkorjaukseen". Physics Letters A 384, 126353 (2020).
https: / / doi.org/ 10.1016 / j.physleta.2020.126353

[51] Milap Sheth, Sara Zafar Jafarzadeh ja Vlad Gheorghiu. "Neuraalinen ensemble dekoodaus topologisille kvanttivirheitä korjaaville koodeille". Phys. Rev. A 101, 032338 (2020).
https: / / doi.org/ 10.1103 / PhysRevA.101.032338

[52] David Fitzek, Mattias Eliasson, Anton Frisk Kockum ja Mats Granath. "Deep q-learning -dekooderi toric-koodin kohinan depolarisoimiseksi". Phys. Rev. Res. 2, 023230 (2020).
https: / / doi.org/ 10.1103 / PhysRevResearch.2.023230

[53] Savvas Varsamopoulos, Koen Bertels ja Carmen G Almudever. "Pintakoodin dekoodaus hajautetulla hermoverkkopohjaisella dekooderilla". Quantum Machine Intelligence 2, 1–12 (2020).
https:/​/​doi.org/​10.1007/​s42484-020-00015-9

[54] Thomas Wagner, Hermann Kampermann ja Dagmar Bruß. "Toric-koodin korkean tason neurodekooderin symmetria". Phys. Rev. A 102, 042411 (2020).
https: / / doi.org/ 10.1103 / PhysRevA.102.042411

[55] Philip Andreasson, Joel Johansson, Simon Liljestrand ja Mats Granath. "Kvanttivirheen korjaus toric-koodille syvän vahvistusoppimisen avulla". Quantum 3, 183 (2019).
https:/​/​doi.org/​10.22331/​q-2019-09-02-183

[56] Nikolas P. Breuckmann ja Xiaotong Ni. "Skaalautuvat hermoverkkodekooderit korkeamman ulottuvuuden kvanttikoodeille". Quantum 2, 68 (2018).
https:/​/​doi.org/​10.22331/​q-2018-05-24-68

Viitattu

[1] Christopher Chamberland, Luis Goncalves, Prasahnt Sivarajah, Eric Peterson ja Sebastian Grimberg, "Teknikot nopeiden paikallisten dekoodereiden yhdistämiseksi globaaleihin dekooderiin piiritason kohinan alla", arXiv: 2208.01178, (2022).

[2] Samuel C. Smith, Benjamin J. Brown ja Stephen D. Bartlett, "Local Predecoder to Reduce the Bandwidth and Latency of Quantum Error Correction", Fyysinen tarkastelu sovellettu 19 3, 034050 (2023).

[3] Xinyu Tan, Fang Zhang, Rui Chao, Yaoyun Shi ja Jianxin Chen, "Skaalautuvat pintakoodidekooderit, joissa rinnastetaan ajassa", arXiv: 2209.09219, (2022).

[4] Maxwell T. West, Sarah M. Erfani, Christopher Leckie, Martin Sevior, Lloyd CL Hollenberg ja Muhammad Usman, "Benchmarking adversarially robust quantum machine learning at scale", Fyysisen tarkastelun tutkimus 5 2, 023186 (2023).

[5] Yosuke Ueno, Masaaki Kondo, Masamitsu Tanaka, Yasunari Suzuki ja Yutaka Tabuchi, "NEO-QEC: Neural Network Enhanced Online Superconducting 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 ja Yi-Cong Zheng, "Skaalautuva, nopea ja ohjelmoitava hermodekooderi vikasietoiseen kvanttilaskentaan pintaa käyttävään Koodit", arXiv: 2305.15767, (2023).

[7] Karl Hammar, Aleksei Orekhov, Patrik Wallin Hybelius, Anna Katariina Wisakanto, Basudha Srivastava, Anton Frisk Kockum ja Mats Granath, "Topologisten stabilointikoodien virhetaajuuden agnostinen dekoodaus", Fyysinen arvio A 105 4, 042616 (2022).

[8] Maxwell T. West ja Muhammad Usman, "Framework for Donor-Qubit Spatial Metrology in Silicon with Depths Approaching the Bulk Limit", Fyysinen tarkastelu sovellettu 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 ja Muhammad Usman, "Towards quantum enhanced adversarial robustness in machine learning". arXiv: 2306.12688, (2023).

[10] Moritz Lange, Pontus Havström, Basudha Srivastava, Valdemar Bergental, Karl Hammar, Olivia Heuts, Evert van Nieuwenburg ja Mats Granath, "Data-driven decoding of quantum error correcting codes using graph neuro networks". arXiv: 2307.01241, (2023).

Yllä olevat sitaatit ovat peräisin SAO: n ja NASA: n mainokset (viimeksi päivitetty onnistuneesti 2023-07-12 14:31:13). Lista voi olla puutteellinen, koska kaikki julkaisijat eivät tarjoa sopivia ja täydellisiä viittaustietoja.

Ei voitu noutaa Crossref siteeratut tiedot viimeisen yrityksen aikana 2023-07-12 14:31:11: Ei voitu noutaa viittauksia 10.22331 / q-2023-07-12-1058 mainittuihin tietoihin Crossrefiltä. Tämä on normaalia, jos DOI rekisteröitiin äskettäin.

Tämä kirja on julkaistu Quantum - lehdessä Creative Commons Nimeäminen 4.0 Kansainvälinen (CC BY 4.0) lisenssin. Tekijänoikeudet säilyvät alkuperäisillä tekijänoikeuksien haltijoilla, kuten tekijöillä tai heidän instituutioillaan.

Aikaleima:

Lisää aiheesta Quantum Journal