Skálázható és gyors mesterséges neurális hálózat szindróma dekódoló felületi kódokhoz

Skálázható és gyors mesterséges neurális hálózat szindróma dekódoló felületi kódokhoz

Időbélyeg: 12. július 2023. 10:23

Spiro Gicev1, Lloyd CL Hollenberg1és Muhammad Usman1,2,3

1Kvantumszámítási és Kommunikációs Technológiai Központ, Fizikai Iskola, Melbourne-i Egyetem, Parkville, 3010, VIC, Ausztrália.
2Számítástechnikai és Információs Rendszerek Iskola, Melbourne Mérnöki Iskola, Melbourne-i Egyetem, Parkville, 3010, VIC, Ausztrália
3Data61, CSIRO, Clayton, 3168, VIC, Ausztrália

Érdekesnek találja ezt a cikket, vagy szeretne megvitatni? Scite vagy hagyjon megjegyzést a SciRate-en.

Absztrakt

A felületi kód hibajavítása nagyon ígéretes utat kínál a méretezhető, hibatűrő kvantumszámítógép eléréséhez. Stabilizátorkódként működtetve a felületi kódszámítások egy szindróma-dekódolási lépésből állnak, ahol mért stabilizátor-operátorokat használnak a fizikai qubitek hibáinak megfelelő korrekcióinak meghatározására. A dekódoló algoritmusok jelentős fejlődésen mentek keresztül, és a közelmúltban a gépi tanulási (ML) technikákat is beépítették. Az ígéretes kezdeti eredmények ellenére az ML-alapú szindróma dekóderek még mindig kis léptékű, alacsony késleltetésű demonstrációkra korlátozódnak, és nem képesek kezelni a peremfeltételekkel és a rácsműtéthez és a zsinórozáshoz szükséges különböző formájú felületi kódokat. Itt egy mesterséges neurális hálózat (ANN) alapú skálázható és gyors szindróma dekódoló fejlesztéséről számolunk be, amely képes tetszőleges alakú és méretű felületi kódok dekódolására a depolarizációs hibamodelltől szenvedő adatqubitekkel. Több mint 50 millió véletlenszerű kvantumhiba-példány szigorú betanítása alapján az ANN dekóderünk 1000-et (több mint 4 millió fizikai qubitet) meghaladó kódtávolsággal működik, ami az eddigi legnagyobb ML-alapú dekóder bemutató. A létrehozott ANN dekóder elvileg a kódtávolságtól független végrehajtási időt mutat be, ami arra utal, hogy dedikált hardveren való megvalósítása potenciálisan O($mu$sec) felületi kód dekódolási időt kínálhat, ami arányos a kísérletileg megvalósítható qubit koherencia időkkel. A következő évtizedben várható kvantumprocesszorok bővülése miatt a munkánkban kifejlesztett gyors és skálázható szindrómadekóderrel történő kiegészítésük várhatóan döntő szerepet játszik a hibatűrő kvantuminformáció-feldolgozás kísérleti megvalósításában.

Skálázható és gyors mesterséges neurális hálózat szindróma dekódoló felületi kódokhoz PlatoBlockchain Data Intelligence. Függőleges keresés. Ai.

Kiemelt kép: Mesterséges neurális hálózati dekóder keretrendszer a gyors és méretezhető hibajavításhoz.

Népszerű összefoglaló

A kvantumeszközök jelenlegi generációjának pontossága zajtól vagy hibáktól szenved. Kvantum hibajavító kódok, például felületi kódok használhatók a hibák észlelésére és kijavítására. A felületi kódsémák megvalósításának döntő lépése a dekódolás, az az algoritmus, amely közvetlenül a kvantumszámítógépből mért hibainformációkat használja a megfelelő korrekciók kiszámításához. A zaj okozta problémák hatékony megoldása érdekében a dekódereknek megfelelő korrekciókat kell kiszámítaniuk a mögöttes kvantumhardveren végzett gyors mérésekkel. Ezt elég nagy felületi kódtávolságon kell elérni ahhoz, hogy megfelelően elnyomja a hibákat, és egyidejűleg az összes aktív logikai qubiten. A korábbi munkák elsősorban gráfillesztő algoritmusokkal foglalkoztak, mint például a minimális súlyú tökéletes illeszkedés, néhány újabb munka pedig a neurális hálózatok használatát is vizsgálta erre a feladatra, bár kis léptékű megvalósításokra korlátozódott.

Munkánk egy új konvolúciós neurális hálózati keretrendszert javasolt és implementált a nagy távolságú felületi kódok dekódolása során felmerülő skálázási problémák megoldására. A konvolúciós neurális hálózat egy bemenetet kapott, amely a megváltozott paritásmérésekből, valamint a hibajavító kód határszerkezetéből állt. Tekintettel a konvolúciós neurális hálózaton végbemenő lokális megfigyelés véges ablakára, egy felmosó dekódert használtak az esetlegesen megmaradó ritka maradék hibák kijavítására. Több mint 50 millió véletlenszerű kvantumhiba-példány szigorú betanítása alapján a dekóderünk 1000-et (több mint 4 millió fizikai qubitet) meghaladó kódtávolsággal működött, ami az eddigi legnagyobb ML-alapú dekóder-bemutató volt.

A konvolúciós neurális hálózatok és a határszerkezetek használata a bemenetben lehetővé tette, hogy hálózatunkat a felületi kód távolságok és határkonfigurációk széles skáláján alkalmazzuk. A hálózat helyi kapcsolata lehetővé teszi az alacsony késleltetés megőrzését nagyobb távolságú kódok dekódolásakor, és könnyen megkönnyíti a párhuzamosítást. Munkánk a neurális hálózatok dekódolásra való felhasználásának egyik kulcsproblémájával foglalkozik gyakorlati érdeklődésre számot tartó problémák léptékében, és további kutatásokat tesz lehetővé hasonló szerkezetű hálózatok használatával.

► BibTeX adatok

► Referenciák

[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 és P. Wallden. „A kvantumkriptográfia fejlődése”. Adv. Dönt. Foton. 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 és Alán Aspuru-Guzik. „Kvantumkémia a kvantumszámítástechnika korában”. Chemical Reviews 119, 10856–10915 (2019).
https://​/​doi.org/​10.1021/​acs.chemrev.8b00803

[3] Román Orús, Samuel Mugel és Enrique Lizaso. „Kvantumszámítás a pénzügyekhez: Áttekintés és kilátások”. Reviews in Physics 4, 100028 (2019).
https://​/​doi.org/​10.1016/​j.revip.2019.100028

[4] Craig Gidney és Martin Ekerå. „Hogyan faktoráljunk 2048 bites RSA egész számokat 8 óra alatt 20 millió zajos qubit használatával”. 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 és Ryan Babbush. "A kémia még hatékonyabb kvantumszámításai tenzoros hiperkontrakción keresztül." 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 és Ryan Babbush. „Hibatűrő kvantumheurisztika összeállítása kombinatorikus optimalizáláshoz”. PRX Quantum 1, 020312 (2020).
https://​/​doi.org/​10.1103/​PRXQuantum.1.020312

[7] Eric Dennis, Alekszej Kitaev, Andrew Landahl és John Preskill. „Topológiai kvantum memória”. 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 és Andreas Wallraff. „Ismétlődő kvantumhiba észlelése felületi kódban”. 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 és mások. „Bit- vagy fázishibák exponenciális elnyomása ciklikus hibajavítással”. Nature 595, 383–387 (2021).
https://​/​doi.org/​10.1038/​s41586-021-03588-y

[10] Austin G. Fowler, David S. Wang és Lloyd CL Hollenberg. „Felületi kódú kvantumhiba-javítás a hiba pontos terjedésével” (2010). arXiv:1004.0255.
https://​/​doi.org/​10.48550/​arXiv.1004.0255
arXiv: 1004.0255

[11] Austin G. Fowler, Adam C. Whiteside és Lloyd CL Hollenberg. „A felületi kód gyakorlati klasszikus feldolgozása felé”. Physical Review Letters 108 (2012).
https://​/​doi.org/​10.1103/​physrevlett.108.180501

[12] Austin G. Fowler. „A felületkód korrelált hibáinak optimális komplexitási korrekciója” (2013). arXiv:1310.0863.
https://​/​doi.org/​10.48550/​arXiv.1310.0863
arXiv: 1310.0863

[13] Fern HE Watson, Hussain Anwar és Dan E. Browne. „Gyors hibatűrő dekóder qubit és qudit felületi kódokhoz”. Phys. Rev. A 92, 032309 (2015).
https://​/​doi.org/​10.1103/​PhysRevA.92.032309

[14] Guillaume Duclos-Cianci és David Poulin. „Gyors dekóderek topológiai kvantumkódokhoz”. Phys. Rev. Lett. 104, 050504 (2010).
https://​/​doi.org/​10.1103/​PhysRevLett.104.050504

[15] Robert Raussendorf és Jim Harrington. „Hibatűrő kvantumszámítás magas küszöbértékkel két dimenzióban”. Phys. Rev. Lett. 98, 190504 (2007).
https://​/​doi.org/​10.1103/​PhysRevLett.98.190504

[16] Daniel Litinski. „Felületi kódok játéka: Nagyszabású kvantumszámítás rácsműtéttel”. Quantum 3, 128 (2019).
https:/​/​doi.org/​10.22331/​q-2019-03-05-128

[17] Savvas Varsamopoulos, Ben Criger és Koen Bertels. „Kis felületi kódok dekódolása előrecsatolt neurális hálózatokkal”. Quantum Science and Technology 3, 015004 (2017).
https://​/​doi.org/​10.1088/​2058-9565/​aa955a

[18] Amarsanaa Davaasuren, Yasunari Suzuki, Keisuke Fujii és Masato Koashi. „Általános keretrendszer a topológiai stabilizátor kódok gyors és közel optimális gépi tanulás alapú dekóderének létrehozásához”. Phys. Rev. Res. 2, 033399 (2020).
https://​/​doi.org/​10.1103/​PhysRevResearch.2.033399

[19] Giacomo Torlai és Roger G. Melko. „Neurális dekódoló topológiai kódokhoz”. Phys. Rev. Lett. 119, 030501 (2017).
https://​/​doi.org/​10.1103/​PhysRevLett.119.030501

[20] Stefan Krastanov és Liang Jiang. „Mély neurális hálózat valószínűségi dekódoló stabilizátor kódokhoz”. Scientific Reports 7 (2017).
https:/​/​doi.org/​10.1038/​s41598-017-11266-1

[21] Paul Baireuther, Thomas E. O'Brien, Brian Tarasinski és Carlo WJ Beenakker. „Korrelált qubit hibák gépi tanulással segített javítása egy topológiai kódban”. 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 és Sundaraja Sitharama Iyengar. „Felületi kód-szindrómák hatékony dekódolása hibajavításhoz kvantumszámítástechnikában” (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 és Jens Eisert. „Megerősítő tanulási dekóderek hibatűrő kvantumszámításhoz”. Gépi tanulás: Science and Technology 2, 025005 (2020).
https://​/​doi.org/​10.1088/​2632-2153/​abc609

[24] Elisha Siddiqui Matekole, Esther Ye, Ramya Iyer és Samuel Yen-Chi Chen. „Felületi kódok dekódolása mélyen megerősített tanulással és valószínűségi irányelvek újrafelhasználásával” (2022). arXiv:2212.11890.
https://​/​doi.org/​10.48550/​arXiv.2212.11890
arXiv: 2212.11890

[25] Ramon WJ Overwater, Masoud Babaie és Fabio Sebastiano. „Neurális hálózati dekóderek kvantumhiba-javításhoz felületi kódok segítségével: A hardver költség-teljesítmény kompromisszumainak űrkutatása”. IEEE Transactions on Quantum Engineering 3, 1–19 (2022).
https://​/​doi.org/​10.1109/​TQE.2022.3174017

[26] Kai Meinerz, Chae-Yeun Park és Simon Trebst. „Skálázható neurális dekódoló topológiai felületi kódokhoz”. Phys. Rev. Lett. 128, 080505 (2022).
https://​/​doi.org/​10.1103/​PhysRevLett.128.080505

[27] S. Varsamopoulos, K. Bertels és C. Almudever. „Neurális hálózat alapú dekóderek összehasonlítása a felületi kódhoz”. IEEE Transactions on Computers 69, 300–311 (2020).
https://​/​doi.org/​10.1109/​TC.2019.2948612

[28] Oscar Higgott. „Pymatching: Python csomag kvantumkódok dekódolásához minimális súlyú tökéletes illeszkedéssel” (2021). arXiv:2105.13082.
https://​/​doi.org/​10.48550/​arXiv.2105.13082
arXiv: 2105.13082

[29] Christopher Chamberland és Pooya Ronagh. „Mély neurális dekóderek rövid távú hibatűrő kísérletekhez”. Quantum Science and Technology 3, 044002 (2018).
https:/​/​doi.org/​10.1088/​2058-9565/​aad1f7

[30] Daniel Gottesman. „Stabilizáló kódok és kvantumhiba-javítás” (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 és Lloyd CL Hollenberg. "Felületi kódú kvantumszámítógép szilíciumban". Science Advances 1, e1500707 (2015).
https://​/​doi.org/​10.1126/​sciadv.1500707

[32] G. Pica, BW Lovett, RN Bhatt, T. Schenkel és SA Lyon. „Felületi kódarchitektúra donorokhoz és pontokhoz szilíciumban pontatlan és nem egyenletes qubit csatolásokkal”. Phys. Rev. B 93, 035306 (2016).
https://​/​doi.org/​10.1103/​PhysRevB.93.035306

[33] Charles D. Hill, Muhammad Usman és Lloyd CL Hollenberg. „Cserealapú felületkódos kvantumszámítógép-architektúra szilíciumban” (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 és Andrew W. Cross. „Topológiai és alrendszeri kódok alacsony fokú gráfokon zászló qubitekkel”. 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 és MA Martin-Delgado. „A topológiai kódok erős rugalmassága a depolarizációval szemben”. Phys. Rev. X 2, 021004 (2012).
https://​/​doi.org/​10.1103/​PhysRevX.2.021004

[36] Ashley M. Stephens. „Hibatűrő küszöbértékek a kvantumhiba-javításhoz a felületi kóddal”. Phys. Rev. A 89, 022321 (2014).
https://​/​doi.org/​10.1103/​PhysRevA.89.022321

[37] David S. Wang, Austin G. Fowler és Lloyd CL Hollenberg. „Felületi kódú kvantumszámítás 1% feletti hibaaránnyal”. Phys. Rev. A 83, 020302 (2011).
https://​/​doi.org/​10.1103/​PhysRevA.83.020302

[38] Austin G. Fowler és Craig Gidney. „Alacsony többletterhelésű kvantumszámítás rácsműtét segítségével” (2019). arXiv:1808.06709.
https://​/​doi.org/​10.48550/​arXiv.1808.06709
arXiv: 1808.06709

[39] Austin G. Fowler, Matteo Mariantoni, John M. Martinis és Andrew N. Cleland. „Felületi kódok: A gyakorlati nagyszabású kvantumszámítás felé”. Fizikai Szemle A 86 (2012).
https://​/​doi.org/​10.1103/​physreva.86.032324

[40] Xiaotong Ni. „Neurális hálózati dekóderek nagy távolságú 2d tórikus kódokhoz”. 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 és FT Chong. „Nisq+: A kvantumszámítási teljesítmény növelése a kvantumhiba-korrekció közelítésével”. 2020-ban az ACM/IEEE 47. éves nemzetközi szimpóziuma a számítógépes architektúráról (ISCA). 556–569. oldal. 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 és Christopher Eichler. „Az összefonódás stabilizálása segédelem-alapú paritásészlelés és valós idejű visszacsatolás segítségével szupravezető áramkörökben”. 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, Vicent Vanhouckevan , Fernanda Viegas, Oriol Vinyals, Pete Warden, Martin Wattenberg, Martin Wicke, Yuan Yu és Xiaoqiang Zheng. „Tensorflow: Nagyléptékű gépi tanulás heterogén elosztott rendszereken” (2016). arXiv:1603.04467.
https://​/​doi.org/​10.48550/​arXiv.1603.04467
arXiv: 1603.04467

[44] Nicolas Delfosse és Naomi H. Nickerson. „Majdnem lineáris idődekódoló algoritmus topológiai kódokhoz”. 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 és Sven Rogge. „Spin-pálya qubitek hosszú spin-koherenciájának tervezése szilíciumban”. 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 és Benjamin J. Brown. „Az XZZX felületi kód”. Nature Communications 12 (2021).
https:/​/​doi.org/​10.1038/​s41467-021-22274-1

[47] Dmitri E. Nikonov és Ian A. Young. „Neurális következtetési áramkörök benchmarking késleltetése és energiája”. 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. „Minimális súlyú tökéletes illeszkedés a hibatűrő topológiai kvantumhiba-korrekcióhoz átlagos $o(1)$ párhuzamos időben” (2014). arXiv:1307.1740.
https://​/​doi.org/​10.48550/​arXiv.1307.1740
arXiv: 1307.1740

[49] Vedran Dunjko és Hans J Briegel. „Gépi tanulás és mesterséges intelligencia a kvantumtartományban: a közelmúlt fejlődésének áttekintése”. Reports on Progress in Physics 81, 074001 (2018).
https://​/​doi.org/​10.1088/​1361-6633/​aab406

[50] Laia Domingo Colomer, Michalis Skotiniotis és Ramon Muñoz-Tapia. „Megerősítő tanulás a tórikus kódok optimális hibajavításáért”. Physics Letters A 384, 126353 (2020).
https://​/​doi.org/​10.1016/​j.physleta.2020.126353

[51] Milap Sheth, Sara Zafar Jafarzadeh és Vlad Gheorghiu. „Neurális együttes dekódolás topológiai kvantumhiba-javító kódokhoz”. Phys. Rev. A 101, 032338 (2020).
https://​/​doi.org/​10.1103/​PhysRevA.101.032338

[52] David Fitzek, Mattias Eliasson, Anton Frisk Kockum és Mats Granath. „Deep q-learning dekóder a tórikus kód zajának depolarizálásához”. Phys. Rev. Res. 2, 023230 (2020).
https://​/​doi.org/​10.1103/​PhysRevResearch.2.023230

[53] Savvas Varsamopoulos, Koen Bertels és Carmen G Almudever. „Felületi kód dekódolása elosztott neurális hálózat alapú dekóderrel”. Quantum Machine Intelligence 2, 1–12 (2020).
https:/​/​doi.org/​10.1007/​s42484-020-00015-9

[54] Thomas Wagner, Hermann Kampermann és Dagmar Bruß. „Szimmetriák egy magas szintű neurális dekóderhez a tórikus kódon”. Phys. Rev. A 102, 042411 (2020).
https://​/​doi.org/​10.1103/​PhysRevA.102.042411

[55] Philip Andreasson, Joel Johansson, Simon Liljestrand és Mats Granath. „Kvantum hibajavítás a tórikus kódhoz mélyerősítő tanulással”. Quantum 3, 183 (2019).
https:/​/​doi.org/​10.22331/​q-2019-09-02-183

[56] Nikolas P. Breuckmann és Xiaotong Ni. „Skálázható neurális hálózati dekóderek magasabb dimenziós kvantumkódokhoz”. Quantum 2, 68 (2018).
https:/​/​doi.org/​10.22331/​q-2018-05-24-68

Idézi

[1] Christopher Chamberland, Luis Goncalves, Prasahnt Sivarajah, Eric Peterson és Sebastian Grimberg, „A gyors helyi dekóderek és a globális dekóderek összekapcsolásának technikái áramköri szintű zaj mellett”, arXiv: 2208.01178, (2022).

[2] Samuel C. Smith, Benjamin J. Brown és Stephen D. Bartlett, „Local Predecoder to Reduce the Bandwidth and Latency of Quantum Error Correction”, Fizikai felülvizsgálat Alkalmazott 19 3, 034050 (2023).

[3] Xinyu Tan, Fang Zhang, Rui Chao, Yaoyun Shi és Jianxin Chen, „Skálázható felületi kóddekóderek időben párhuzamosítással”, arXiv: 2209.09219, (2022).

[4] Maxwell T. West, Sarah M. Erfani, Christopher Leckie, Martin Sevior, Lloyd CL Hollenberg és Muhammad Usman, „A versengően robusztus kvantumgépi tanulás mértékének összehasonlítása”, Physical Review Research 5 2, 023186 (2023).

[5] Yosuke Ueno, Masaaki Kondo, Masamitsu Tanaka, Yasunari Suzuki és 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, Füming Liu, Hualiang Zhang, Shengyu Zhang és Yi-Cong Zheng: „Skálázható, gyors és programozható neurális dekóder hibatűrő kvantumszámításhoz felület használatával Kódok”, arXiv: 2305.15767, (2023).

[7] Karl Hammar, Alekszej Orekhov, Patrik Wallin Hybelius, Anna Katariina Wisakanto, Basudha Srivastava, Anton Frisk Kockum és Mats Granath, „Topológiai stabilizátorkódok hibaarány-agnosztikus dekódolása”, Fizikai áttekintés A 105 4, 042616 (2022).

[8] Maxwell T. West és Muhammad Usman, „Framework for Donor-Qubit Spatial Metrology in Silicon with Depths Approaching the Bulk Limit”, Fizikai felülvizsgálat Alkalmazott 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 és 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 és Mats Granath, „Kvantumhiba-javító kódok adatvezérelt dekódolása gráf neurális hálózatok segítségével”, arXiv: 2307.01241, (2023).

A fenti idézetek innen származnak SAO/NASA HIRDETÉSEK (utolsó sikeres frissítés: 2023-07-12 14:31:13). Előfordulhat, hogy a lista hiányos, mivel nem minden kiadó ad megfelelő és teljes hivatkozási adatokat.

Nem sikerült lekérni Az adatok által hivatkozott kereszthivatkozás utolsó próbálkozáskor 2023-07-12 14:31:11: Nem sikerült lekérni a 10.22331/q-2023-07-12-1058 hivatkozás által hivatkozott adatokat a Crossref-től. Ez normális, ha a DOI-t nemrég regisztrálták.

Ez a tanulmány a Quantumban jelent meg Creative Commons Nevezd meg 4.0 International (CC BY 4.0) engedély. A szerzői jog az eredeti szerzői jog tulajdonosainál marad, például a szerzőknél vagy intézményeiknél.

Időbélyeg:

Még több Quantum Journal