Un decodificatore di sindrome da rete neurale artificiale scalabile e veloce per codici di superficie

Un decodificatore di sindrome da rete neurale artificiale scalabile e veloce per codici di superficie

Timestamp: 12 luglio 2023 10:23

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

1Centre for Quantum Computation and Communication Technology, School of Physics, University of Melbourne, Parkville, 3010, VIC, Australia.
2School of Computing and Information Systems, Melbourne School of Engineering, Università di Melbourne, Parkville, 3010, VIC, Australia
3Data61, CSIRO, Clayton, 3168, VIC, Australia

Trovi questo documento interessante o vuoi discuterne? Scrivi o lascia un commento su SciRate.

Astratto

La correzione degli errori del codice di superficie offre un percorso molto promettente per ottenere un calcolo quantistico scalabile con tolleranza ai guasti. Quando vengono utilizzati come codici stabilizzatori, i calcoli del codice di superficie consistono in una fase di decodifica della sindrome in cui gli operatori stabilizzatori misurati vengono utilizzati per determinare le correzioni appropriate per gli errori nei qubit fisici. Gli algoritmi di decodifica hanno subito uno sviluppo sostanziale, con lavori recenti che incorporano tecniche di machine learning (ML). Nonostante i risultati iniziali promettenti, i decodificatori di sindrome basati su ML sono ancora limitati a dimostrazioni su piccola scala con bassa latenza e non sono in grado di gestire codici di superficie con condizioni al contorno e varie forme necessarie per la chirurgia reticolare e l'intrecciatura. Qui, riportiamo lo sviluppo di un decodificatore di sindrome scalabile e veloce basato su rete neurale artificiale (ANN) in grado di decodificare codici di superficie di forma e dimensione arbitrarie con qubit di dati che soffrono del modello di errore depolarizzante. Sulla base di un rigoroso addestramento su 50 milioni di istanze di errore quantistico casuale, il nostro decodificatore ANN ha dimostrato di funzionare con distanze di codice superiori a 1000 (più di 4 milioni di qubit fisici), che è la più grande dimostrazione di decodificatore basata su ML fino ad oggi. Il decodificatore ANN stabilito dimostra un tempo di esecuzione in linea di principio indipendente dalla distanza del codice, il che implica che la sua implementazione su hardware dedicato potrebbe potenzialmente offrire tempi di decodifica del codice di superficie di O ($ mu $ sec), commisurati ai tempi di coerenza del qubit realizzabili sperimentalmente. Con il previsto aumento di scala dei processori quantistici entro il prossimo decennio, il loro potenziamento con un decodificatore di sindrome veloce e scalabile come quello sviluppato nel nostro lavoro dovrebbe svolgere un ruolo decisivo verso l'implementazione sperimentale dell'elaborazione delle informazioni quantistiche con tolleranza ai guasti.

Un decodificatore scalabile e veloce della sindrome della rete neurale artificiale per codici di superficie PlatoBlockchain Data Intelligence. Ricerca verticale. Ai.

Immagine di presentazione: Framework di decodifica della rete neurale artificiale per una correzione degli errori rapida e scalabile.

Riepilogo popolare

L'accuratezza dell'attuale generazione di dispositivi quantistici soffre di rumore o errori. I codici di correzione degli errori quantistici come i codici di superficie possono essere utilizzati per rilevare e correggere gli errori. Un passaggio cruciale nell'implementazione degli schemi del codice di superficie è la decodifica, l'algoritmo che utilizza le informazioni sugli errori misurate direttamente dal computer quantistico per calcolare le correzioni appropriate. Per risolvere efficacemente i problemi causati dal rumore, i decodificatori devono calcolare le correzioni appropriate al passo con le rapide misurazioni effettuate sull'hardware quantistico sottostante. Ciò deve essere ottenuto a distanze di codice di superficie sufficientemente grandi da sopprimere sufficientemente gli errori e simultaneamente su tutti i qubit logici attivi. Il lavoro precedente ha esaminato principalmente gli algoritmi di corrispondenza dei grafici come la corrispondenza perfetta del peso minimo, con alcuni lavori recenti che hanno anche studiato l'uso delle reti neurali per questo compito, sebbene limitato a implementazioni su piccola scala.

Il nostro lavoro ha proposto e implementato un nuovo framework di rete neurale convoluzionale per affrontare i problemi di ridimensionamento incontrati durante la decodifica di codici di superficie a grande distanza. Alla rete neurale convoluzionale è stato fornito un input composto da misurazioni di parità modificate, oltre alla struttura di confine del codice di correzione degli errori. Data la finestra finita di osservazione locale che si verifica in tutta la rete neurale convoluzionale, è stato utilizzato un decodificatore rastrellamento per correggere eventuali errori residui sparsi che potrebbero rimanere. Sulla base di un rigoroso addestramento su 50 milioni di istanze di errori quantistici casuali, il nostro decodificatore ha dimostrato di funzionare con distanze di codice superiori a 1000 (più di 4 milioni di qubit fisici), che è stata la più grande dimostrazione di decodificatore basata su ML fino ad oggi.

L'uso di reti neurali convoluzionali e strutture di confine nell'input ha consentito di applicare la nostra rete su un'ampia gamma di distanze del codice di superficie e configurazioni di confine. La connettività locale della rete consente di mantenere una bassa latenza durante la decodifica di codici a distanza maggiore e facilita prontamente la parallelizzazione. Il nostro lavoro affronta un problema chiave nell'uso delle reti neurali per la decodifica a scale di problemi di interesse pratico e consente ulteriori ricerche che prevedono l'uso di reti con struttura simile.

► dati BibTeX

► Riferimenti

, 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, and P. Wallden. "I progressi nella crittografia quantistica". Avv. Optare. Fotone. 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 e Alán Aspuru-Guzik. "La chimica quantistica nell'era dell'informatica quantistica". Recensioni chimiche 119, 10856–10915 (2019).
https: / / doi.org/ 10.1021 / acs.chemrev.8b00803

, Román Orús, Samuel Mugel e Enrique Lizaso. "Quantum computing per la finanza: panoramica e prospettive". Recensioni in Fisica 4, 100028 (2019).
https: / / doi.org/ 10.1016 / j.revip.2019.100028

, Craig Gidney e Martin Ekera. "Come fattorizzare interi RSA a 2048 bit in 8 ore utilizzando 20 milioni di qubit rumorosi". Quantum 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 e Ryan Babbush. "Calcoli quantistici ancora più efficienti della chimica attraverso l'ipercontrazione tensoriale". PRX Quantum 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 e Ryan Babbush. "Compilazione di euristiche quantistiche tolleranti ai guasti per l'ottimizzazione combinatoria". PRX Quantum 1, 020312 (2020).
https: / / doi.org/ 10.1103 / PRXQuantum.1.020312

, Eric Dennis, Alexei Kitaev, Andrew Landahl e John Preskill. "Memoria quantistica topologica". Giornale di fisica matematica 43, 4452–4505 (2002).
https: / / doi.org/ 10.1063 / 1.1499754 mila

, Christian Kraglund Andersen, Ants Remm, Stefania Lazar, Sebastian Krinner, Nathan Lacroix, Graham J. Norris, Mihai Gabureac, Christopher Eichler e Andreas Wallraff. "Rilevazione di errori quantistici ripetuti in un codice di superficie". Fisica della natura 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, e altri. "Soppressione esponenziale di errori di bit o di fase con correzione dell'errore ciclico". Natura 595, 383–387 (2021).
https: / / doi.org/ 10.1038 / s41586-021-03588-y

, Austin G. Fowler, David S. Wang e Lloyd CL Hollenberg. "Correzione dell'errore quantistico del codice di superficie che incorpora la propagazione accurata dell'errore" (2010). arXiv:1004.0255.
https://​/​doi.org/​10.48550/​arXiv.1004.0255
arXiv: 1004.0255

, Austin G. Fowler, Adam C. Whiteside e Lloyd CL Hollenberg. "Verso l'elaborazione pratica classica per il codice di superficie". Lettere di revisione fisica 108 (2012).
https: / / doi.org/ 10.1103 / physrevlett.108.180501

, Austin G. Fowler. "Correzione ottimale della complessità degli errori correlati nel codice di superficie" (2013). arXiv:1310.0863.
https://​/​doi.org/​10.48550/​arXiv.1310.0863
arXiv: 1310.0863

, Fern HE Watson, Hussain Anwar e Dan E. Browne. "Decodificatore veloce con tolleranza ai guasti per codici di superficie qubit e qudit". Fis. Rev. A 92, 032309 (2015).
https: / / doi.org/ 10.1103 / PhysRevA.92.032309

, Guillaume Duclos-Cianci e David Poulin. "Decodificatori veloci per codici quantistici topologici". Fis. Rev. Lett. 104, 050504 (2010).
https: / / doi.org/ 10.1103 / PhysRevLett.104.050504

, Robert Raussendorf e Jim Harrington. "Calcolo quantistico tollerante ai guasti con soglia elevata in due dimensioni". Fis. Rev. Lett. 98, 190504 (2007).
https: / / doi.org/ 10.1103 / PhysRevLett.98.190504

, Daniele Litinski. "Un gioco di codici di superficie: calcolo quantistico su larga scala con chirurgia reticolare". Quantum 3, 128 (2019).
https:/​/​doi.org/​10.22331/​q-2019-03-05-128

, Savvas Varsamopoulos, Ben Criger e Koen Bertels. "Decodificare piccoli codici di superficie con reti neurali feedforward". Scienza e tecnologia quantistica 3, 015004 (2017).
https: / / doi.org/ 10.1088 / 2058-9565 / aa955a

, Amarsanaa Davaasuren, Yasunari Suzuki, Keisuke Fujii e Masato Koashi. "Quadro generale per la costruzione di decodificatori basati sull'apprendimento automatico veloci e quasi ottimali dei codici stabilizzatori topologici". Fis. Rev. Ris. 2, 033399 (2020).
https: / / doi.org/ 10.1103 / PhysRevResearch.2.033399

, Giacomo Torlai e Roger G. Melko. “Decodificatore neurale per codici topologici”. Fis. Rev. Lett. 119, 030501 (2017).
https: / / doi.org/ 10.1103 / PhysRevLett.119.030501

, Stefan Krastanov e Liang Jiang. "Decodificatore probabilistico di reti neurali profonde per codici stabilizzatori". Rapporti scientifici 7 (2017).
https:/​/​doi.org/​10.1038/​s41598-017-11266-1

, Paul Baireuther, Thomas E. O'Brien, Brian Tarasinski e Carlo WJ Beenakker. "Correzione assistita dall'apprendimento automatico di errori di qubit correlati in un codice topologico". Quantum 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 e Sundaraja Sitharama Iyengar. "Decodifica efficiente delle sindromi del codice di superficie per la correzione degli errori nel calcolo quantistico" (2021). arXiv:2110.10896.
https://​/​doi.org/​10.48550/​arXiv.2110.10896
arXiv: 2110.10896

, Ryan Sweke, Markus S. Kesselring, Evert PL van Nieuwenburg e Jens Eisert. "Decodificatori di apprendimento per rinforzo per il calcolo quantistico tollerante ai guasti". Apprendimento automatico: scienza e tecnologia 2, 025005 (2020).
https://​/​doi.org/​10.1088/​2632-2153/​abc609

, Elisha Siddiqui Matekole, Esther Ye, Ramya Iyer e Samuel Yen-Chi Chen. "Decodifica dei codici di superficie con apprendimento per rinforzo profondo e riutilizzo delle politiche probabilistiche" (2022). arXiv:2212.11890.
https://​/​doi.org/​10.48550/​arXiv.2212.11890
arXiv: 2212.11890

, Ramon WJ Overwater, Masoud Babaie e Fabio Sebastiano. "Decodificatori di reti neurali per la correzione degli errori quantistici utilizzando codici di superficie: un'esplorazione spaziale dei compromessi hardware tra costi e prestazioni". Transazioni IEEE sull'ingegneria quantistica 3, 1–19 (2022).
https: / / doi.org/ 10.1109 / TQE.2022.3174017

, Kai Meinerz, Chae-Yeun Park e Simon Trebst. "Decodificatore neurale scalabile per codici di superficie topologica". Fis. Rev. Lett. 128, 080505 (2022).
https: / / doi.org/ 10.1103 / PhysRevLett.128.080505

, S. Varsamopoulos, K. Bertels e C. Almudever. "Confronto tra decodificatori basati su rete neurale per il codice di superficie". Transazioni IEEE su computer 69, 300–311 (2020).
https: / / doi.org/ 10.1109 / TC.2019.2948612

, Oscar Higott. "Pymatching: un pacchetto python per la decodifica di codici quantistici con corrispondenza perfetta di peso minimo" (2021). arXiv:2105.13082.
https://​/​doi.org/​10.48550/​arXiv.2105.13082
arXiv: 2105.13082

, Christopher Chamberland e Pooya Ronagh. "Deep neural decoder per esperimenti tolleranti ai guasti a breve termine". Scienza e tecnologia quantistica 3, 044002 (2018).
https:/​/​doi.org/​10.1088/​2058-9565/​aad1f7

, Daniele Gottesmann. "Codici stabilizzatori e correzione degli errori quantistici" (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 e Lloyd CL Hollenberg. "Un computer quantistico a codice di superficie in silicio". La scienza avanza 1, e1500707 (2015).
https: / / doi.org/ 10.1126 / sciadv.1500707

, G. Pica, BW Lovett, RN Bhatt, T. Schenkel e SA Lione. "Architettura di codice di superficie per donatori e punti in silicio con accoppiamenti di qubit imprecisi e non uniformi". Fis. Rev. B 93, 035306 (2016).
https: / / doi.org/ 10.1103 / PhysRevB.93.035306

, Charles D. Hill, Muhammad Usman e Lloyd CL Hollenberg. "Un'architettura di computer quantistico a codice di superficie basata sullo scambio in silicio" (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 e Andrew W. Cross. "Codici topologici e di sottosistema su grafi di basso grado con flag qubit". Fis. Rev. X 10, 011022 (2020).
https: / / doi.org/ 10.1103 / PhysRevX.10.011022

, H. Bombin, Ruben S. Andrist, Masayuki Ohzeki, Helmut G. Katzgraber e MA Martin-Delgado. "Forte resilienza dei codici topologici alla depolarizzazione". Fis. Rev. X 2, 021004 (2012).
https: / / doi.org/ 10.1103 / PhysRevX.2.021004

, Ashley M.Stephens. "Soglie tolleranti ai guasti per la correzione degli errori quantistici con il codice di superficie". Fis. Rev. A 89, 022321 (2014).
https: / / doi.org/ 10.1103 / PhysRevA.89.022321

, David S. Wang, Austin G. Fowler e Lloyd CL Hollenberg. "Computing quantistico del codice di superficie con tassi di errore superiori all'1%". Fis. Rev. A 83, 020302 (2011).
https: / / doi.org/ 10.1103 / PhysRevA.83.020302

, Austin G. Fowler e Craig Gidney. "Calcolo quantistico a basso sovraccarico utilizzando la chirurgia reticolare" (2019). arXiv:1808.06709.
https://​/​doi.org/​10.48550/​arXiv.1808.06709
arXiv: 1808.06709

, Austin G. Fowler, Matteo Mariantoni, John M. Martinis e Andrew N. Cleland. "Codici di superficie: verso un pratico calcolo quantistico su larga scala". Revisione fisica A 86 (2012).
https: / / doi.org/ 10.1103 / physreva.86.032324

, Xiaotong Ni. "Decodificatori di reti neurali per codici torici 2d a grande distanza". Quantum 4, 310 (2020).
https:/​/​doi.org/​10.22331/​q-2020-08-24-310

, A. Holmes, M. Jokar, G. Pasandi, Y. Ding, M. Pedram e FT Chong. "Nisq +: potenziamento della potenza di calcolo quantistico approssimando la correzione degli errori quantistici". Nel 2020 ACM/​IEEE 47th Annual International Symposium on Computer Architecture (ISCA). Pagine 556–569. Los Alamitos, California, Stati Uniti (2020). Società Informatica 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 e Christopher Eichler. "Stabilizzazione dell'entanglement mediante rilevamento della parità basato su ancilla e feedback in tempo reale nei circuiti superconduttori". npj Informazioni quantistiche 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 e Xiaoqiang Zheng. "Tensorflow: apprendimento automatico su larga scala su sistemi distribuiti eterogenei" (2016). arXiv:1603.04467.
https://​/​doi.org/​10.48550/​arXiv.1603.04467
arXiv: 1603.04467

, Nicolas Delfosse e Naomi H. Nickerson. "Algoritmo di decodifica in tempo quasi lineare per codici topologici". Quantum 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 e Sven Rogge. "Ingegneria di lunghi tempi di coerenza di spin di qubit spin-orbita nel silicio". Materiali naturali 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 e Benjamin J. Brown. "Il codice di superficie XZZX". Comunicazioni Natura 12 (2021).
https:/​/​doi.org/​10.1038/​s41467-021-22274-1

, Dmitri E. Nikonov e Ian A. Young. "Benchmarking ritardo ed energia dei circuiti di inferenza neurale". 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. "Corrispondenza perfetta di peso minimo della correzione dell'errore quantistico topologico tollerante ai guasti in tempo parallelo medio $ o (1) $" (2014). arXiv:1307.1740.
https://​/​doi.org/​10.48550/​arXiv.1307.1740
arXiv: 1307.1740

, Vedran Dunjko e Hans J Briegel. "Apprendimento automatico e intelligenza artificiale nel dominio quantistico: una rassegna dei recenti progressi". Rapporti sui progressi in fisica 81, 074001 (2018).
https: / / doi.org/ 10.1088 / 1361-6633 / aab406

, Laia Domingo Colomer, Michalis Skotiniotis e Ramon Muñoz-Tapia. "Apprendimento per rinforzo per la correzione ottimale degli errori dei codici torici". Fisica Lettere A 384, 126353 (2020).
https: / / doi.org/ 10.1016 / j.physleta.2020.126353

, Milap Sheth, Sara Zafar Jafarzadeh e Vlad Gheorghiu. "Decodifica dell'insieme neurale per codici di correzione degli errori quantistici topologici". Fis. Rev. A 101, 032338 (2020).
https: / / doi.org/ 10.1103 / PhysRevA.101.032338

, David Fitzek, Mattias Eliasson, Anton Frisk Kockum e Mats Granath. "Decodificatore deep q-learning per la depolarizzazione del rumore sul codice torico". Fis. Rev. Ris. 2, 023230 (2020).
https: / / doi.org/ 10.1103 / PhysRevResearch.2.023230

, Savvas Varsamopoulos, Koen Bertels e Carmen G. Almudever. "Decodifica del codice di superficie con un decodificatore basato su rete neurale distribuita". Quantum Machine Intelligence 2, 1–12 (2020).
https:/​/​doi.org/​10.1007/​s42484-020-00015-9

, Thomas Wagner, Hermann Kampermann e Dagmar Bruß. "Simmetrie per un decodificatore neurale di alto livello sul codice torico". Fis. Rev. A 102, 042411 (2020).
https: / / doi.org/ 10.1103 / PhysRevA.102.042411

, Philip Andreasson, Joel Johansson, Simon Liljestrand e Mats Granath. "Correzione degli errori quantistici per il codice torico utilizzando l'apprendimento per rinforzo profondo". Quantum 3, 183 (2019).
https:/​/​doi.org/​10.22331/​q-2019-09-02-183

, Nikolas P.Breuckmann e Xiaotong Ni. "Decodificatori di reti neurali scalabili per codici quantistici di dimensioni superiori". Quantum 2, 68 (2018).
https:/​/​doi.org/​10.22331/​q-2018-05-24-68

Citato da

[1] Christopher Chamberland, Luis Goncalves, Prasahnt Sivarajah, Eric Peterson e Sebastian Grimberg, "Tecniche per combinare decodificatori locali veloci con decodificatori globali sotto rumore a livello di circuito", arXiv: 2208.01178, (2022).

[2] Samuel C. Smith, Benjamin J. Brown e Stephen D. Bartlett, "Predecodificatore locale per ridurre la larghezza di banda e la latenza della correzione degli errori quantistici", Revisione fisica applicata 19 3, 034050 (2023).

[3] Xinyu Tan, Fang Zhang, Rui Chao, Yaoyun Shi e Jianxin Chen, "Decodificatori di codici di superficie scalabili con parallelizzazione nel tempo", arXiv: 2209.09219, (2022).

[4] Maxwell T. West, Sarah M. Erfani, Christopher Leckie, Martin Sevior, Lloyd CL Hollenberg e Muhammad Usman, "Benchmarking di apprendimento automatico quantistico robusto su larga scala", Ricerca sulla revisione fisica 5 2, 023186 (2023).

[5] Yosuke Ueno, Masaaki Kondo, Masamitsu Tanaka, Yasunari Suzuki e 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 e Yi-Cong Zheng, "Un decodificatore neurale scalabile, veloce e programmabile per il calcolo quantistico tollerante ai guasti utilizzando codici di superficie", arXiv: 2305.15767, (2023).

[7] Karl Hammar, Alexei Orekhov, Patrik Wallin Hybelius, Anna Katariina Wisakanto, Basudha Srivastava, Anton Frisk Kockum e Mats Granath, "Decodifica agnostica del tasso di errore dei codici dello stabilizzatore topologico", Revisione fisica A 105 4, 042616 (2022).

[8] Maxwell T. West e Muhammad Usman, "Quadro per la metrologia spaziale Donor-Qubit in silicio con profondità che si avvicinano al limite di massa", Revisione fisica applicata 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 e Muhammad Usman, "Verso una maggiore solidità contraddittoria quantistica nell'apprendimento automatico", arXiv: 2306.12688, (2023).

[10] Moritz Lange, Pontus Havström, Basudha Srivastava, Valdemar Bergentall, Karl Hammar, Olivia Heuts, Evert van Nieuwenburg e Mats Granath, "Decodifica basata sui dati di codici di correzione degli errori quantistici utilizzando reti neurali a grafo", arXiv: 2307.01241, (2023).

Le citazioni sopra sono di ANNUNCI SAO / NASA (ultimo aggiornamento riuscito 2023-07-12 14:31:13). L'elenco potrebbe essere incompleto poiché non tutti gli editori forniscono dati di citazione adeguati e completi.

Impossibile recuperare Crossref citato da dati durante l'ultimo tentativo 2023-07-12 14:31:11: Impossibile recuperare i dati citati per 10.22331 / q-2023-07-12-1058 da Crossref. Questo è normale se il DOI è stato registrato di recente.

Questo documento è pubblicato in Quantum sotto il Creative Commons Attribuzione 4.0 Internazionale (CC BY 4.0) licenza. Il copyright rimane dei detentori del copyright originali come gli autori o le loro istituzioni.

Timestamp:

Di più da Diario quantistico