Un décodeur de syndrome de réseau neuronal artificiel évolutif et rapide pour les codes de surface

Un décodeur de syndrome de réseau neuronal artificiel évolutif et rapide pour les codes de surface

Horodatage: 12 juillet 2023 10:23

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

1Centre for Quantum Computation and Communication Technology, School of Physics, University of Melbourne, Parkville, 3010, VIC, Australie.
2École d'informatique et de systèmes d'information, École d'ingénierie de Melbourne, Université de Melbourne, Parkville, 3010, VIC, Australie
3Data61, CSIRO, Clayton, 3168, VIC, Australie

Vous trouvez cet article intéressant ou souhaitez en discuter? Scite ou laisse un commentaire sur SciRate.

Abstract

La correction d'erreurs de code de surface offre une voie très prometteuse pour réaliser un calcul quantique évolutif et tolérant aux pannes. Lorsqu'ils fonctionnent comme des codes stabilisateurs, les calculs de code de surface consistent en une étape de décodage de syndrome où des opérateurs de stabilisateur mesurés sont utilisés pour déterminer les corrections appropriées pour les erreurs dans les qubits physiques. Les algorithmes de décodage ont subi un développement substantiel, avec des travaux récents intégrant des techniques d'apprentissage automatique (ML). Malgré des résultats initiaux prometteurs, les décodeurs de syndrome basés sur ML sont encore limités à des démonstrations à petite échelle avec une faible latence et sont incapables de gérer des codes de surface avec des conditions aux limites et diverses formes nécessaires à la chirurgie du treillis et au tressage. Nous rapportons ici le développement d'un décodeur de syndrome évolutif et rapide basé sur un réseau de neurones artificiels (ANN) capable de décoder des codes de surface de forme et de taille arbitraires avec des qubits de données souffrant du modèle d'erreur dépolarisant. Basé sur une formation rigoureuse sur 50 millions d'instances d'erreurs quantiques aléatoires, il a été démontré que notre décodeur ANN fonctionne avec des distances de code supérieures à 1000 (plus de 4 millions de qubits physiques), ce qui est la plus grande démonstration de décodeur basée sur ML à ce jour. Le décodeur ANN établi démontre un temps d'exécution en principe indépendant de la distance de code, ce qui implique que sa mise en œuvre sur du matériel dédié pourrait potentiellement offrir des temps de décodage de code de surface de O($mu$sec), proportionnels aux temps de cohérence qubit réalisables expérimentalement. Avec la mise à l'échelle prévue des processeurs quantiques au cours de la prochaine décennie, leur augmentation avec un décodeur de syndrome rapide et évolutif tel que développé dans nos travaux devrait jouer un rôle décisif dans la mise en œuvre expérimentale du traitement de l'information quantique tolérant aux pannes.

Un décodeur de syndrome de réseau neuronal artificiel évolutif et rapide pour les codes de surface PlatoBlockchain Data Intelligence. Recherche verticale. Aï.

Image en vedette : cadre de décodeur de réseau neuronal artificiel pour une correction d'erreurs rapide et évolutive.

Résumé populaire

La précision de la génération actuelle de dispositifs quantiques souffre de bruit ou d'erreurs. Des codes de correction d'erreurs quantiques tels que des codes de surface peuvent être déployés pour détecter et corriger les erreurs. Une étape cruciale dans la mise en œuvre des schémas de code de surface est le décodage, l'algorithme qui utilise les informations d'erreur mesurées directement à partir de l'ordinateur quantique pour calculer les corrections appropriées. Afin de résoudre efficacement les problèmes causés par le bruit, les décodeurs doivent calculer les corrections appropriées au rythme des mesures rapides effectuées sur le matériel quantique sous-jacent. Cela doit être réalisé à des distances de code de surface suffisamment grandes pour supprimer suffisamment les erreurs et simultanément sur tous les qubits logiques actifs. Des travaux antérieurs ont principalement porté sur des algorithmes d'appariement de graphes tels que l'appariement parfait de poids minimum, certains travaux récents étudiant également l'utilisation de réseaux de neurones pour cette tâche, bien qu'ils soient limités à des implémentations à petite échelle.

Notre travail a proposé et mis en œuvre un nouveau cadre de réseau neuronal convolutif pour résoudre les problèmes d'échelle rencontrés lors du décodage de codes de surface à grande distance. Le réseau neuronal convolutif a reçu une entrée composée de mesures de parité modifiées, ainsi que de la structure limite du code de correction d'erreurs. Compte tenu de la fenêtre finie d'observation locale se produisant dans tout le réseau neuronal convolutif, un décodeur de ratissage a été utilisé pour corriger les rares erreurs résiduelles qui pourraient subsister. Basé sur une formation rigoureuse sur 50 millions d'instances d'erreurs quantiques aléatoires, il a été démontré que notre décodeur fonctionnait avec des distances de code supérieures à 1000 (plus de 4 millions de qubits physiques), ce qui était la plus grande démonstration de décodeur basée sur ML à ce jour.

L'utilisation de réseaux de neurones convolutifs et de la structure des limites dans l'entrée a permis à notre réseau d'être appliqué sur une large gamme de distances de code de surface et de configurations de limites. La connectivité locale du réseau permet de conserver une faible latence lors du décodage de codes à plus grande distance et facilite facilement la parallélisation. Notre travail aborde un problème clé dans l'utilisation des réseaux de neurones pour le décodage à des échelles de problèmes d'intérêt pratique et permet d'approfondir les recherches impliquant l'utilisation de réseaux de structure similaire.

► Données BibTeX

► Références

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 et P. Wallden. « Avancées en cryptographie quantique ». Adv. Opter. Photon. 12, 1012-1236 (2020).
https: / / doi.org/ 10.1364 / AOP.361502

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 et Alán Aspuru-Guzik. "La chimie quantique à l'ère de l'informatique quantique". Revues chimiques 119, 10856–10915 (2019).
https: / / doi.org/ 10.1021 / acs.chemrev.8b00803

Román Orús, Samuel Mugel et Enrique Lizaso. « L'informatique quantique pour la finance : bilan et perspectives ». Avis dans Physique 4, 100028 (2019).
https: / / doi.org/ 10.1016 / j.revip.2019.100028

Craig Gidney et Martin Ekerå. "Comment factoriser des entiers RSA de 2048 bits en 8 heures en utilisant 20 millions de qubits bruyants". Quantique 5, 433 (2021).
https:/​/​doi.org/​10.22331/​q-2021-04-15-433

Joonho Lee, Dominic W. Berry, Craig Gidney, William J. Huggins, Jarrod R. McClean, Nathan Wiebe et Ryan Babbush. "Des calculs quantiques encore plus efficaces de la chimie grâce à l'hypercontraction tensorielle". PRX Quantique 2, 030305 (2021).
https: / / doi.org/ 10.1103 / PRXQuantum.2.030305

Yuval R. Sanders, Dominic W. Berry, Pedro CS Costa, Louis W. Tessler, Nathan Wiebe, Craig Gidney, Hartmut Neven et Ryan Babbush. "Compilation d'heuristiques quantiques tolérantes aux pannes pour l'optimisation combinatoire". PRX Quantique 1, 020312 (2020).
https: / / doi.org/ 10.1103 / PRXQuantum.1.020312

Eric Dennis, Alexei Kitaev, Andrew Landahl et John Preskill. "Mémoire quantique topologique". Journal de physique mathématique 43, 4452–4505 (2002).
https: / / doi.org/ 10.1063 / 1.1499754

Christian Kraglund Andersen, Ants Remm, Stefania Lazar, Sebastian Krinner, Nathan Lacroix, Graham J. Norris, Mihai Gabureac, Christopher Eichler et Andreas Wallraff. "Détection d'erreurs quantiques répétées dans un code de surface". Physique de la nature 16, 875–880 (2020).
https: / / doi.org/ 10.1038 / s41567-020-0920-y

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. "Suppression exponentielle des erreurs de bit ou de phase avec correction d'erreur cyclique". Nature 595, 383–387 (2021).
https: / / doi.org/ 10.1038 / s41586-021-03588-y

Austin G. Fowler, David S. Wang et Lloyd CL Hollenberg. "Correction d'erreur quantique de code de surface incorporant une propagation d'erreur précise" (2010). arXiv :1004.0255.
https://​/​doi.org/​10.48550/​arXiv.1004.0255
arXiv: 1004.0255

Austin G. Fowler, Adam C. Whiteside et Lloyd CL Hollenberg. "Vers un traitement classique pratique pour le code de surface". Lettres d'examen physique 108 (2012).
https: / / doi.org/ 10.1103 / physrevlett.108.180501

Austin G. Fowler. « Correction optimale de la complexité des erreurs corrélées dans le code de surface » (2013). arXiv:1310.0863.
https://​/​doi.org/​10.48550/​arXiv.1310.0863
arXiv: 1310.0863

Fern HE Watson, Hussain Anwar et Dan E. Browne. "Décodeur rapide tolérant aux pannes pour les codes de surface qubit et qudit". Phys. Rév. A 92, 032309 (2015).
https: / / doi.org/ 10.1103 / PhysRevA.92.032309

Guillaume Duclos-Cianci et David Poulin. « Décodeurs rapides pour codes quantiques topologiques ». Phys. Rév. Lett. 104, 050504 (2010).
https: / / doi.org/ 10.1103 / PhysRevLett.104.050504

Robert Raussendorf et Jim Harrington. "Calcul quantique tolérant aux pannes à haut seuil en deux dimensions". Phys. Rév. Lett. 98, 190504 (2007).
https: / / doi.org/ 10.1103 / PhysRevLett.98.190504

Daniel Litinski. "Un jeu de codes de surface: informatique quantique à grande échelle avec chirurgie du réseau". Quantique 3, 128 (2019).
https:/​/​doi.org/​10.22331/​q-2019-03-05-128

Savvas Varsamopoulos, Ben Criger et Koen Bertels. "Décodage de petits codes de surface avec des réseaux de neurones à anticipation". Science et technologie quantiques 3, 015004 (2017).
https: / / doi.org/ 10.1088 / 2058-9565 / aa955a

Amarsanaa Davaasuren, Yasunari Suzuki, Keisuke Fujii et Masato Koashi. "Cadre général pour la construction d'un décodeur rapide et quasi optimal basé sur l'apprentissage automatique des codes stabilisateurs topologiques". Phys. Rév. Rés. 2, 033399 (2020).
https: / / doi.org/ 10.1103 / PhysRevResearch.2.033399

Giacomo Torlai et Roger G. Melko. « Décodeur neuronal pour codes topologiques ». Phys. Rév. Lett. 119, 030501 (2017).
https: / / doi.org/ 10.1103 / PhysRevLett.119.030501

Stefan Krastanov et Liang Jiang. "Décodeur probabiliste de réseau neuronal profond pour les codes stabilisateurs". Rapports scientifiques 7 (2017).
https:/​/​doi.org/​10.1038/​s41598-017-11266-1

Paul Baireuther, Thomas E. O'Brien, Brian Tarasinski et Carlo WJ Beenakker. "Correction assistée par apprentissage automatique des erreurs de qubit corrélées dans un code topologique". Quantique 2, 48 (2018).
https:/​/​doi.org/​10.22331/​q-2018-01-29-48

Debasmita Bhoumik, Pinaki Sen, Ritajit Majumdar, Susmita Sur-Kolay, Latesh Kumar KJ et Sundaraja Sitharama Iyengar. "Décodage efficace des syndromes de code de surface pour la correction d'erreurs en informatique quantique" (2021). arXiv:2110.10896.
https://​/​doi.org/​10.48550/​arXiv.2110.10896
arXiv: 2110.10896

Ryan Sweke, Markus S Kesselring, Evert PL van Nieuwenburg et Jens Eisert. "Décodeurs d'apprentissage par renforcement pour le calcul quantique tolérant aux pannes". Apprentissage automatique : science et technologie 2, 025005 (2020).
https://​/​doi.org/​10.1088/​2632-2153/​abc609

Elisha Siddiqui Matekole, Esther Ye, Ramya Iyer et Samuel Yen-Chi Chen. "Décodage des codes de surface avec apprentissage par renforcement profond et réutilisation probabiliste des politiques" (2022). arXiv:2212.11890.
https://​/​doi.org/​10.48550/​arXiv.2212.11890
arXiv: 2212.11890

Ramon WJ Overwater, Masoud Babaie et Fabio Sebastiano. "Décodeurs de réseaux de neurones pour la correction d'erreurs quantiques à l'aide de codes de surface : une exploration spatiale des compromis coût-performance du matériel". Transactions IEEE sur l'ingénierie quantique 3, 1–19 (2022).
https: / / doi.org/ 10.1109 / TQE.2022.3174017

Kai Meinerz, Chae-Yeun Park et Simon Trebst. "Décodeur neuronal évolutif pour les codes de surface topologiques". Phys. Rév. Lett. 128, 080505 (2022).
https: / / doi.org/ 10.1103 / PhysRevLett.128.080505

S. Varsamopoulos, K. Bertels et C. Almudever. "Comparaison des décodeurs basés sur un réseau de neurones pour le code de surface". Transactions IEEE sur les ordinateurs 69, 300–311 (2020).
https: / / doi.org/ 10.1109 / TC.2019.2948612

Oscar Higott. "Pymatching : un package python pour décoder les codes quantiques avec une correspondance parfaite de poids minimum" (2021). arXiv:2105.13082.
https://​/​doi.org/​10.48550/​arXiv.2105.13082
arXiv: 2105.13082

Christopher Chamberland et Pooya Ronagh. "Décodeurs neuronaux profonds pour des expériences à court terme tolérantes aux pannes". Science et technologie quantiques 3, 044002 (2018).
https:/​/​doi.org/​10.1088/​2058-9565/​aad1f7

Daniel Gottesman. "Codes stabilisateurs et correction d'erreur quantique" (1997). arXiv:quant-ph/​9705052.
https://​/​doi.org/​10.48550/​arXiv.quant-ph/​9705052
arXiv: quant-ph / 9705052

Charles D. Hill, Eldad Peretz, Samuel J. Hile, Matthew G. House, Martin Fuechsle, Sven Rogge, Michelle Y. Simmons et Lloyd CL Hollenberg. "Un ordinateur quantique à code de surface en silicium". Science Advances 1, e1500707 (2015).
https: / / doi.org/ 10.1126 / sciadv.1500707

G. Pica, BW Lovett, RN Bhatt, T. Schenkel et SA Lyon. "Architecture de code de surface pour donneurs et points en silicium avec couplages de qubits imprécis et non uniformes". Phys. Rév. B 93, 035306 (2016).
https: / / doi.org/ 10.1103 / PhysRevB.93.035306

Charles D. Hill, Muhammad Usman et Lloyd CL Hollenberg. "Une architecture d'ordinateur quantique à code de surface basée sur l'échange dans le silicium" (2021). arXiv:2107.11981.
https://​/​doi.org/​10.48550/​arXiv.2107.11981
arXiv: 2107.11981

Christopher Chamberland, Guanyu Zhu, Theodore J. Yoder, Jared B. Hertzberg et Andrew W. Cross. "Codes topologiques et de sous-systèmes sur des graphes de bas degré avec des qubits de drapeau". Phys. Rév. X 10, 011022 (2020).
https: / / doi.org/ 10.1103 / PhysRevX.10.011022

H. Bombin, Ruben S. Andrist, Masayuki Ohzeki, Helmut G. Katzgraber et MA Martin-Delgado. « Forte résilience des codes topologiques à la dépolarisation ». Phys. Rév. X 2, 021004 (2012).
https: / / doi.org/ 10.1103 / PhysRevX.2.021004

Ashley M. Stephens. "Seuils tolérants aux pannes pour la correction d'erreur quantique avec le code de surface". Phys. Rév. A 89, 022321 (2014).
https: / / doi.org/ 10.1103 / PhysRevA.89.022321

David S. Wang, Austin G. Fowler et Lloyd CL Hollenberg. "Calcul quantique de code de surface avec des taux d'erreur supérieurs à 1%". Phys. Rév. A 83, 020302 (2011).
https: / / doi.org/ 10.1103 / PhysRevA.83.020302

Austin G. Fowler et Craig Gidney. "Calcul quantique à faible surcharge utilisant la chirurgie du réseau" (2019). arXiv:1808.06709.
https://​/​doi.org/​10.48550/​arXiv.1808.06709
arXiv: 1808.06709

Austin G. Fowler, Matteo Mariantoni, John M. Martinis et Andrew N. Cleland. "Codes de surface: vers un calcul quantique pratique à grande échelle". Examen physique A 86 (2012).
https: / / doi.org/ 10.1103 / physreva.86.032324

Xiaotong Ni. "Décodeurs de réseaux de neurones pour codes toriques 2d à grande distance". Quantique 4, 310 (2020).
https:/​/​doi.org/​10.22331/​q-2020-08-24-310

A. Holmes, M. Jokar, G. Pasandi, Y. Ding, M. Pedram et FT Chong. "Nisq +: Booster la puissance de calcul quantique en se rapprochant de la correction d'erreur quantique". En 2020 ACM/​IEEE 47th Annual International Symposium on Computer Architecture (ISCA). Pages 556–569. Los Alamitos, Californie, États-Unis (2020). Société informatique IEEE.
https://​/​doi.org/​10.1109/​ISCA45697.2020.00053

Christian Kraglund Andersen, Ants Remm, Stefania Lazar, Sebastian Krinner, Johannes Heinsoo, Jean-Claude Besse, Mihai Gabureac, Andreas Wallraff et Christopher Eichler. " Stabilisation de l'intrication à l'aide de la détection de parité basée sur les auxiliaires et de la rétroaction en temps réel dans les circuits supraconducteurs ". npj Informations quantiques 5 (2019).
https:/​/​doi.org/​10.1038/​s41534-019-0185-4

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 et Xiaoqiang Zheng. "Tensorflow : Apprentissage automatique à grande échelle sur des systèmes distribués hétérogènes" (2016). arXiv:1603.04467.
https://​/​doi.org/​10.48550/​arXiv.1603.04467
arXiv: 1603.04467

Nicolas Delfosse et Naomi H. Nickerson. "Algorithme de décodage temporel presque linéaire pour les codes topologiques". Quantique 5, 595 (2021).
https:/​/​doi.org/​10.22331/​q-2021-12-02-595

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 et Sven Rogge. "Ingénierie des temps de cohérence de spin longs des qubits spin-orbite dans le silicium". Matériaux naturels 20, 38–42 (2020).
https:/​/​doi.org/​10.1038/​s41563-020-0743-3

J. Pablo Bonilla Ataides, David K. Tuckett, Stephen D. Bartlett, Steven T. Flammia et Benjamin J. Brown. "Le code de surface XZZX". Nature Communications 12 (2021).
https:/​/​doi.org/​10.1038/​s41467-021-22274-1

Dmitri E. Nikonov et Ian A. Young. « Analyse comparative des délais et de l'énergie des circuits d'inférence neuronale ». IEEE Journal on Exploratory Solid-State Computational Devices and Circuits 5, 75–84 (2019).
https://​/​doi.org/​10.1109/​JXCDC.2019.2956112

Austin G. Fowler. "Correspondance parfaite de poids minimum de la correction d'erreur quantique topologique tolérante aux pannes en temps parallèle moyen $ o (1) $" (2014). arXiv:1307.1740.
https://​/​doi.org/​10.48550/​arXiv.1307.1740
arXiv: 1307.1740

Vedran Dunjko et Hans J Briegel. « Apprentissage automatique et intelligence artificielle dans le domaine quantique : bilan des progrès récents ». Rapports sur les progrès en physique 81, 074001 (2018).
https: / / doi.org/ 10.1088 / 1361-6633 / aab406

Laia Domingo Colomer, Michalis Skotiniotis et Ramon Muñoz-Tapia. "Apprentissage par renforcement pour une correction d'erreur optimale des codes toriques". Lettres de physique A 384, 126353 (2020).
https: / / doi.org/ 10.1016 / j.physleta.2020.126353

Milap Sheth, Sara Zafar Jafarzadeh et Vlad Gheorghiu. "Décodage d'ensemble neuronal pour les codes correcteurs d'erreurs quantiques topologiques". Phys. Rév. A 101, 032338 (2020).
https: / / doi.org/ 10.1103 / PhysRevA.101.032338

David Fitzek, Mattias Eliasson, Anton Frisk Kockum et Mats Granath. "Décodeur d'apprentissage q profond pour dépolariser le bruit sur le code torique". Phys. Rév. Rés. 2, 023230 (2020).
https: / / doi.org/ 10.1103 / PhysRevResearch.2.023230

Savvas Varsamopoulos, Koen Bertels et Carmen G Almudever. "Décodage du code de surface avec un décodeur basé sur un réseau neuronal distribué". Quantum Machine Intelligence 2, 1–12 (2020).
https:/​/​doi.org/​10.1007/​s42484-020-00015-9

Thomas Wagner, Hermann Kampermann et Dagmar Bruß. "Symétries pour un décodeur neuronal de haut niveau sur le code torique". Phys. Rév. A 102, 042411 (2020).
https: / / doi.org/ 10.1103 / PhysRevA.102.042411

Philip Andreasson, Joel Johansson, Simon Liljestrand et Mats Granath. "Correction d'erreur quantique pour le code torique en utilisant l'apprentissage par renforcement profond". Quantique 3, 183 (2019).
https:/​/​doi.org/​10.22331/​q-2019-09-02-183

Nikolas P. Breuckmann et Xiaotong Ni. "Décodeurs de réseaux de neurones évolutifs pour des codes quantiques de plus grande dimension". Quantique 2, 68 (2018).
https:/​/​doi.org/​10.22331/​q-2018-05-24-68

Cité par

[1] Christopher Chamberland, Luis Goncalves, Prasahnt Sivarajah, Eric Peterson et Sebastian Grimberg, "Techniques pour combiner des décodeurs locaux rapides avec des décodeurs globaux sous un bruit au niveau du circuit", arXiv: 2208.01178, (2022).

[2] Samuel C. Smith, Benjamin J. Brown et Stephen D. Bartlett, "Prédécodeur local pour réduire la bande passante et la latence de la correction d'erreur quantique", Examen physique appliqué 19 3, 034050 (2023).

[3] Xinyu Tan, Fang Zhang, Rui Chao, Yaoyun Shi et Jianxin Chen, "Scalable surface code decoders with parallelization in time", arXiv: 2209.09219, (2022).

[4] Maxwell T. West, Sarah M. Erfani, Christopher Leckie, Martin Sevior, Lloyd CL Hollenberg et Muhammad Usman, "Analyse comparative de l'apprentissage quantique robuste à grande échelle", Recherche sur l'examen physique 5 2, 023186 (2023).

[5] Yosuke Ueno, Masaaki Kondo, Masamitsu Tanaka, Yasunari Suzuki et Yutaka Tabuchi, "NEO-QEC : Décodeur supraconducteur en ligne amélioré par réseau neuronal pour les codes de surface", arXiv: 2208.05758, (2022).

[6] Mengyu Zhang, Xiangyu Ren, Guanglei Xi, Zhenxing Zhang, Qiaonian Yu, Fuming Liu, Hualiang Zhang, Shengyu Zhang et Yi-Cong Zheng, "Un décodeur neuronal évolutif, rapide et programmable pour le calcul quantique tolérant aux pannes utilisant la surface Codes", arXiv: 2305.15767, (2023).

[7] Karl Hammar, Alexei Orekhov, Patrik Wallin Hybelius, Anna Katariina Wisakanto, Basudha Srivastava, Anton Frisk Kockum et Mats Granath, "Décodage agnostique du taux d'erreur des codes stabilisateurs topologiques", Examen physique A 105 4, 042616 (2022).

[8] Maxwell T. West et Muhammad Usman, "Framework for Donor-Qubit Spatial Metrology in Silicon with Depths Approaching the Bulk Limit", Examen physique appliqué 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 et Muhammad Usman, "Vers une robustesse contradictoire améliorée quantique dans l'apprentissage automatique", arXiv: 2306.12688, (2023).

[10] Moritz Lange, Pontus Havström, Basudha Srivastava, Valdemar Bergentall, Karl Hammar, Olivia Heuts, Evert van Nieuwenburg et Mats Granath, "Décodage basé sur les données des codes de correction d'erreur quantique à l'aide de réseaux de neurones graphiques", arXiv: 2307.01241, (2023).

Les citations ci-dessus proviennent de SAO / NASA ADS (dernière mise à jour réussie 2023-07-12 14:31:13). La liste peut être incomplète car tous les éditeurs ne fournissent pas de données de citation appropriées et complètes.

Impossible de récupérer Données de référence croisée lors de la dernière tentative 2023-07-12 14:31:11: Impossible de récupérer les données citées par 10.22331 / q-2023-07-12-1058 de Crossref. C'est normal si le DOI a été enregistré récemment.

Cet article est publié dans Quantum sous le Creative Commons Attribution 4.0 International (CC BY 4.0) Licence. Le droit d'auteur reste la propriété des détenteurs d'origine tels que les auteurs ou leurs institutions.

Horodatage:

Plus de Journal quantique