Een schaalbare en snelle artificiële neurale netwerksyndroomdecoder voor oppervlaktecodes

Een schaalbare en snelle artificiële neurale netwerksyndroomdecoder voor oppervlaktecodes

Tijdstempel: 12 juli 2023 10:23 uur

Spiro Gicev1, Lloyd CL Hollenberg1, en Mohammed Usman1,2,3

1Centrum voor Quantum Computation and Communication Technology, School of Physics, Universiteit van Melbourne, Parkville, 3010, VIC, Australië.
2School of Computing and Information Systems, Melbourne School of Engineering, Universiteit van Melbourne, Parkville, 3010, VIC, Australië
3Data61, CSIRO, Clayton, 3168, VIC, Australië

Vind je dit artikel interessant of wil je het bespreken? Scite of laat een reactie achter op SciRate.

Abstract

Foutcorrectie van oppervlaktecodes biedt een veelbelovende manier om schaalbare fouttolerante kwantumcomputing te bereiken. Wanneer ze worden gebruikt als stabilisatorcodes, bestaan ​​oppervlaktecodeberekeningen uit een syndroomdecoderingsstap waarbij gemeten stabilisatoroperatoren worden gebruikt om de juiste correcties voor fouten in fysieke qubits te bepalen. Decoderingsalgoritmen hebben een substantiële ontwikkeling doorgemaakt, met recent werk waarin machine learning (ML) -technieken zijn opgenomen. Ondanks veelbelovende eerste resultaten, zijn de op ML gebaseerde syndroomdecoders nog steeds beperkt tot kleinschalige demonstraties met lage latentie en zijn ze niet in staat om oppervlaktecodes met randvoorwaarden en verschillende vormen te verwerken die nodig zijn voor roosterchirurgie en vlechten. Hier rapporteren we de ontwikkeling van een op een kunstmatig neuraal netwerk (ANN) gebaseerde schaalbare en snelle syndroomdecoder die oppervlaktecodes van willekeurige vorm en grootte kan decoderen met data-qubits die lijden aan het depolariserende foutmodel. Op basis van rigoureuze training van meer dan 50 miljoen willekeurige kwantumfoutinstanties, is aangetoond dat onze ANN-decoder werkt met codeafstanden van meer dan 1000 (meer dan 4 miljoen fysieke qubits), wat de grootste ML-gebaseerde decoderdemonstratie tot nu toe is. De gevestigde ANN-decoder demonstreert een uitvoeringstijd die in principe onafhankelijk is van de codeafstand, wat impliceert dat de implementatie ervan op speciale hardware mogelijk decoderingstijden van oppervlaktecodes van O($mu$sec) kan bieden, evenredig met de experimenteel realiseerbare qubit-coherentietijden. Met de verwachte opschaling van kwantumprocessors in het komende decennium, wordt verwacht dat hun uitbreiding met een snelle en schaalbare syndroomdecoder, zoals ontwikkeld in ons werk, een beslissende rol zal spelen in de richting van experimentele implementatie van fouttolerante kwantuminformatieverwerking.

Een schaalbare en snelle kunstmatige neurale netwerksyndroomdecoder voor oppervlaktecodes PlatoBlockchain Data Intelligence. Verticaal zoeken. Ai.

Uitgelichte afbeelding: Kunstmatig neuraal netwerkdecoderframework voor snelle en schaalbare foutcorrectie.

Populaire samenvatting

De nauwkeurigheid van de huidige generatie kwantumapparaten lijdt onder ruis of fouten. Kwantumfoutcorrectiecodes zoals oppervlaktecodes kunnen worden ingezet om fouten te detecteren en te corrigeren. Een cruciale stap in de implementatie van oppervlaktecodeschema's is decodering, het algoritme dat foutinformatie gebruikt die rechtstreeks door de kwantumcomputer wordt gemeten om de juiste correcties te berekenen. Om de problemen veroorzaakt door ruis effectief op te lossen, moeten decoders de juiste correcties berekenen in het tempo van de snelle metingen die worden uitgevoerd op de onderliggende kwantumhardware. Dit moet worden bereikt bij oppervlaktecode-afstanden die groot genoeg zijn om fouten voldoende te onderdrukken en tegelijkertijd over alle actieve logische qubits. Eerder werk heeft voornamelijk gekeken naar algoritmen voor het matchen van grafieken, zoals perfecte matching met minimaal gewicht, en in recent werk is ook gekeken naar het gebruik van neurale netwerken voor deze taak, zij het beperkt tot kleinschalige implementaties.

Ons werk heeft een nieuw convolutioneel neuraal netwerkraamwerk voorgesteld en geïmplementeerd om de schaalproblemen aan te pakken die zich voordoen bij het decoderen van oppervlaktecodes op grote afstand. Het convolutionele neurale netwerk kreeg een invoer die bestond uit gewijzigde pariteitsmetingen, evenals de grensstructuur van de foutcorrectiecode. Gezien het beperkte venster van lokale waarneming dat plaatsvindt in het hele convolutionele neurale netwerk, werd een opschoondecoder gebruikt om eventuele resterende resterende fouten te corrigeren. Op basis van rigoureuze training van meer dan 50 miljoen willekeurige kwantumfoutinstanties, bleek onze decoder te werken met codeafstanden van meer dan 1000 (meer dan 4 miljoen fysieke qubits), wat de grootste ML-gebaseerde decoderdemonstratie tot nu toe was.

Door het gebruik van convolutionele neurale netwerken en grensstructuur in de invoer kon ons netwerk worden toegepast op een breed scala aan oppervlaktecode-afstanden en grensconfiguraties. Door de lokale connectiviteit van het netwerk kan een lage latentie worden behouden bij het decoderen van codes op grotere afstand en wordt parallellisatie gemakkelijk vergemakkelijkt. Ons werk pakt een sleutelprobleem aan bij het gebruik van neurale netwerken voor decodering op schalen van problemen van praktisch belang en maakt verder onderzoek mogelijk waarbij netwerken met een vergelijkbare structuur worden gebruikt.

► BibTeX-gegevens

► Referenties

[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 en P. Wallden. "Vooruitgang in kwantumcryptografie". Adv. opt. 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 en Alán Aspuru-Guzik. "Kwantumchemie in het tijdperk van kwantumcomputing". Chemische recensies 119, 10856-10915 (2019).
https: / / doi.org/ 10.1021 / acs.chemrev.8b00803

[3] Román Orús, Samuel Mugel en Enrique Lizaso. "Quantum computing voor financiën: overzicht en vooruitzichten". Recensies in Natuurkunde 4, 100028 (2019).
https: / / doi.org/ 10.1016 / j.revip.2019.100028

[4] Craig Gidney en Martin Ekerå. "Hoe 2048 bit RSA-gehele getallen in 8 uur te ontbinden met behulp van 20 miljoen luidruchtige qubits". Kwantum 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 en Ryan Babbush. "Nog efficiëntere kwantumberekeningen van chemie door tensorhypercontractie". 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 en Ryan Babbush. "Compilatie van fouttolerante kwantumheuristiek voor combinatorische optimalisatie". PRX Quantum 1, 020312 (2020).
https: / / doi.org/ 10.1103 / PRXQuantum.1.020312

[7] Eric Dennis, Alexei Kitaev, Andrew Landahl en John Preskill. "Topologisch kwantumgeheugen". 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 en Andreas Wallraff. "Herhaalde kwantumfoutdetectie in een oppervlaktecode". Natuurfysica 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. "Exponentiële onderdrukking van bit- of fasefouten met cyclische foutcorrectie". Natuur 595, 383-387 (2021).
https: / / doi.org/ 10.1038 / s41586-021-03588-y

[10] Austin G. Fowler, David S. Wang en Lloyd CL Hollenberg. "Kwantumfoutcorrectie van oppervlaktecode met nauwkeurige foutvoortplanting" (2010). arXiv:1004.0255.
https:/​/​doi.org/​10.48550/​arXiv.1004.0255
arXiv: 1004.0255

[11] Austin G. Fowler, Adam C. Whiteside en Lloyd CL Hollenberg. "Op weg naar praktische klassieke verwerking voor de oppervlaktecode". Fysieke beoordelingsbrieven 108 (2012).
https: / / doi.org/ 10.1103 / physrevlett.108.180501

[12] Austin G.Fowler. "Optimale complexiteitscorrectie van gecorreleerde fouten in de oppervlaktecode" (2013). arXiv:1310.0863.
https:/​/​doi.org/​10.48550/​arXiv.1310.0863
arXiv: 1310.0863

[13] Fern HE Watson, Hussain Anwar en Dan E. Browne. "Snelle fouttolerante decoder voor qubit- en qudit-oppervlaktecodes". Fysiek. Rev A 92, 032309 (2015).
https: / / doi.org/ 10.1103 / PhysRevA.92.032309

[14] Guillaume Duclos-Cianci en David Poulin. "Snelle decoders voor topologische kwantumcodes". Fysiek. Eerwaarde Lett. 104, 050504 (2010).
https: / / doi.org/ 10.1103 / PhysRevLett.104.050504

[15] Robert Raussendorf en Jim Harrington. "Fouttolerante kwantumberekening met hoge drempel in twee dimensies". Fysiek. Eerwaarde Lett. 98, 190504 (2007).
https: / / doi.org/ 10.1103 / PhysRevLett.98.190504

[16] Daniël Litinski. "Een spel van oppervlaktecodes: grootschalige kwantumcomputing met roosterchirurgie". Kwantum 3, 128 (2019).
https:/​/​doi.org/​10.22331/​q-2019-03-05-128

[17] Savvas Varsamopoulos, Ben Criger en Koen Bertels. "Kleine oppervlaktecodes decoderen met feedforward neurale netwerken". Kwantumwetenschap en -technologie 3, 015004 (2017).
https: / / doi.org/ 10.1088 / 2058-9565 / aa955a

[18] Amarsanaa Davaasuren, Yasunari Suzuki, Keisuke Fujii en Masato Koashi. "Algemeen raamwerk voor het construeren van een snelle en bijna optimale op machine learning gebaseerde decoder van de topologische stabilisatorcodes". Fysiek. Ds. Res. 2, 033399 (2020).
https: / / doi.org/ 10.1103 / PhysRevResearch.2.033399

[19] Giacomo Torlai en Roger G. Melko. "Neurale decoder voor topologische codes". Fysiek. Eerwaarde Lett. 119, 030501 (2017).
https: / / doi.org/ 10.1103 / PhysRevLett.119.030501

[20] Stefan Krastanov en Liang Jiang. "Deep neuraal netwerk probabilistische decoder voor stabilisatorcodes". Wetenschappelijke rapporten 7 (2017).
https:/​/​doi.org/​10.1038/​s41598-017-11266-1

[21] Paul Baireuther, Thomas E. O'Brien, Brian Tarasinski en Carlo WJ Beenakker. "Machine-learning-ondersteunde correctie van gecorreleerde qubit-fouten in een topologische code". Kwantum 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 en Sundaraja Sitharama Iyengar. "Efficiënte decodering van oppervlaktecodesyndromen voor foutcorrectie in kwantumcomputing" (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 en Jens Eisert. "Reinforcement learning-decoders voor fouttolerante kwantumberekening". Machine learning: wetenschap en technologie 2, 025005 (2020).
https://​/​doi.org/​10.1088/​2632-2153/​abc609

[24] Elisha Siddiqui Matekole, Esther Ye, Ramya Iyer en Samuel Yen-Chi Chen. "Decoderen van oppervlaktecodes met diepgaand versterkend leren en probabilistisch hergebruik van beleid" (2022). arXiv:2212.11890.
https:/​/​doi.org/​10.48550/​arXiv.2212.11890
arXiv: 2212.11890

[25] Ramon WJ Overwater, Masoud Babaie en Fabio Sebastiano. "Neural-netwerkdecoders voor kwantumfoutcorrectie met behulp van oppervlaktecodes: een verkenning van de ruimte van de compromissen tussen hardwarekosten en prestaties". IEEE-transacties op Quantum Engineering 3, 1–19 (2022).
https: / / doi.org/ 10.1109 / TQE.2022.3174017

[26] Kai Meinerz, Chae-Yeun Park en Simon Trebst. "Schaalbare neurale decoder voor topologische oppervlaktecodes". Fysiek. Eerwaarde Lett. 128, 080505 (2022).
https: / / doi.org/ 10.1103 / PhysRevLett.128.080505

[27] S. Varsamopoulos, K. Bertels en C. Almudever. "Vergelijking van op neurale netwerken gebaseerde decoders voor de oppervlaktecode". IEEE-transacties op computers 69, 300-311 (2020).
https: / / doi.org/ 10.1109 / TC.2019.2948612

[28] Oscar Higgott. "Pymatching: een python-pakket voor het decoderen van kwantumcodes met perfecte matching met minimaal gewicht" (2021). arXiv:2105.13082.
https:/​/​doi.org/​10.48550/​arXiv.2105.13082
arXiv: 2105.13082

[29] Christopher Chamberland en Pooya Ronagh. "Diepe neurale decoders voor fouttolerante experimenten op korte termijn". Kwantumwetenschap en -technologie 3, 044002 (2018).
https:/​/​doi.org/​10.1088/​2058-9565/​aad1f7

[30] Daniël Gottesman. "Stabilisatiecodes en kwantumfoutcorrectie" (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 en Lloyd CL Hollenberg. "Een kwantumcomputer met oppervlaktecode in silicium". Wetenschap Vooruitgang 1, e1500707 (2015).
https: / / doi.org/ 10.1126 / sciadv.1500707

[32] G. Pica, BW Lovett, RN Bhatt, T. Schenkel en SA Lyon. "Surface code-architectuur voor donoren en stippen in silicium met onnauwkeurige en niet-uniforme qubit-koppelingen". Fysiek. Rev. B 93, 035306 (2016).
https: / / doi.org/ 10.1103 / PhysRevB.93.035306

[33] Charles D. Hill, Muhammad Usman en Lloyd CL Hollenberg. "Een op uitwisseling gebaseerde kwantumcomputerarchitectuur met oppervlaktecode in silicium" (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 en Andrew W. Cross. "Topologische en subsysteemcodes op grafieken met een lage graad met vlag-qubits". Fysiek. Rev X 10, 011022 (2020).
https: / / doi.org/ 10.1103 / PhysRevX.10.011022

[35] H. Bombin, Ruben S. Andrist, Masayuki Ohzeki, Helmut G. Katzgraber en MA Martin-Delgado. "Sterke veerkracht van topologische codes voor depolarisatie". Fysiek. Rev X 2, 021004 (2012).
https: / / doi.org/ 10.1103 / PhysRevX.2.021004

[36] Ashley M. Stephens. "Fouttolerante drempels voor kwantumfoutcorrectie met de oppervlaktecode". Fysiek. Rev. A 89, 022321 (2014).
https: / / doi.org/ 10.1103 / PhysRevA.89.022321

[37] David S. Wang, Austin G. Fowler en Lloyd CL Hollenberg. "Surface code quantum computing met foutpercentages van meer dan 1%". Fysiek. Rev A 83, 020302 (2011).
https: / / doi.org/ 10.1103 / PhysRevA.83.020302

[38] Austin G. Fowler en Craig Gidney. "Kwantumberekening met lage overhead met behulp van roosterchirurgie" (2019). arXiv:1808.06709.
https:/​/​doi.org/​10.48550/​arXiv.1808.06709
arXiv: 1808.06709

[39] Austin G. Fowler, Matteo Mariantoni, John M. Martinis en Andrew N. Cleland. "Oppervlaktecodes: op weg naar praktische grootschalige kwantumberekening". Fysieke beoordeling A 86 (2012).
https: / / doi.org/ 10.1103 / physreva.86.032324

[40] Xiaotong Ni. "Neurale netwerkdecoders voor 2D torische codes over grote afstanden". Kwantum 4, 310 (2020).
https:/​/​doi.org/​10.22331/​q-2020-08-24-310

[41] A. Holmes, M. Jokar, G. Pasandi, Y. Ding, M. Pedram en FT Chong. "Nisq +: kwantumrekenkracht vergroten door kwantumfoutcorrectie te benaderen". In 2020 ACM/IEEE 47th Annual International Symposium on Computer Architecture (ISCA). Pagina's 556-569. Los Alamitos, CA, VS (2020). IEEE Computermaatschappij.
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 en Christopher Eichler. "Verstrengelingsstabilisatie met behulp van op ancilla gebaseerde pariteitsdetectie en real-time feedback in supergeleidende circuits". npj Quantuminformatie 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 en Xiaoqiang Zheng. "Tensorflow: grootschalige machine learning op heterogene gedistribueerde systemen" (2016). arXiv:1603.04467.
https:/​/​doi.org/​10.48550/​arXiv.1603.04467
arXiv: 1603.04467

[44] Nicolas Delfosse en Naomi H. Nickerson. "Bijna lineair tijddecoderingsalgoritme voor topologische codes". Kwantum 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 en Sven Rogge. "Engineering van lange spin-coherentietijden van spin-orbit-qubits in silicium". Natuurmaterialen 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 en Benjamin J. Brown. "De XZZX oppervlaktecode". Natuurcommunicatie 12 (2021).
https:/​/​doi.org/​10.1038/​s41467-021-22274-1

[47] Dmitri E. Nikonov en Ian A. Young. "Benchmarking van vertraging en energie van neurale inferentiecircuits". 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. "Minimum gewicht perfecte afstemming van fouttolerante topologische kwantumfoutcorrectie in gemiddelde $ o (1) $ parallelle tijd" (2014). arXiv: 1307.1740.
https:/​/​doi.org/​10.48550/​arXiv.1307.1740
arXiv: 1307.1740

[49] Vedran Dunjko en Hans J Briegel. "Machine learning & kunstmatige intelligentie in het kwantumdomein: een overzicht van recente vooruitgang". Rapporten over voortgang in de natuurkunde 81, 074001 (2018).
https: / / doi.org/ 10.1088 / 1361-6633 / aab406

[50] Laia Domingo Colomer, Michalis Skotiniotis en Ramon Muñoz-Tapia. "Reinforcement learning voor optimale foutcorrectie van torische codes". Natuurkundebrieven A 384, 126353 (2020).
https: / / doi.org/ 10.1016 / j.physleta.2020.126353

[51] Milap Sheth, Sara Zafar Jafarzadeh en Vlad Gheorghiu. "Neuraal ensemble-decodering voor topologische kwantumfoutcorrigerende codes". Fysiek. Rev. A 101, 032338 (2020).
https: / / doi.org/ 10.1103 / PhysRevA.101.032338

[52] David Fitzek, Mattias Eliasson, Anton Frisk Kockum en Mats Granath. "Deep q-learning decoder voor depolariserende ruis op de torische code". Fysiek. Ds. Res. 2, 023230 (2020).
https: / / doi.org/ 10.1103 / PhysRevResearch.2.023230

[53] Savvas Varsamopoulos, Koen Bertels en Carmen G Almudever. "Decodering van oppervlaktecode met een op een gedistribueerd neuraal netwerk gebaseerde decoder". Quantummachine-intelligentie 2, 1–12 (2020).
https:/​/​doi.org/​10.1007/​s42484-020-00015-9

[54] Thomas Wagner, Hermann Kampermann en Dagmar Bruß. "Symmetrieën voor een neurale decoder op hoog niveau op de torische code". Fysiek. Rev. A 102, 042411 (2020).
https: / / doi.org/ 10.1103 / PhysRevA.102.042411

[55] Philip Andreasson, Joel Johansson, Simon Liljestrand en Mats Granath. "Kwantumfoutcorrectie voor de torische code met behulp van diep versterkend leren". Kwantum 3, 183 (2019).
https:/​/​doi.org/​10.22331/​q-2019-09-02-183

[56] Nikolas P. Breuckmann en Xiaotong Ni. "Schaalbare neurale netwerkdecoders voor hoger-dimensionale kwantumcodes". Kwantum 2, 68 (2018).
https:/​/​doi.org/​10.22331/​q-2018-05-24-68

Geciteerd door

[1] Christopher Chamberland, Luis Goncalves, Prasahnt Sivarajah, Eric Peterson en Sebastian Grimberg, "Technieken voor het combineren van snelle lokale decoders met globale decoders onder ruis op circuitniveau", arXiv: 2208.01178, (2022).

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

[3] Xinyu Tan, Fang Zhang, Rui Chao, Yaoyun Shi en Jianxin Chen, "Schaalbare oppervlaktecodedecoders met parallellisatie in de tijd", arXiv: 2209.09219, (2022).

[4] Maxwell T. West, Sarah M. Erfani, Christopher Leckie, Martin Sevior, Lloyd CL Hollenberg en Muhammad Usman, "Benchmarking van tegenstrijdig robuust quantum machine learning op schaal", Physical Review Onderzoek 5 2, 023186 (2023).

[5] Yosuke Ueno, Masaaki Kondo, Masamitsu Tanaka, Yasunari Suzuki en 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 en Yi-Cong Zheng, "Een schaalbare, snelle en programmeerbare neurale decoder voor fouttolerante kwantumberekening met behulp van Surface Codes”, arXiv: 2305.15767, (2023).

[7] Karl Hammar, Alexei Orekhov, Patrik Wallin Hybelius, Anna Katariina Wisakanto, Basudha Srivastava, Anton Frisk Kockum en Mats Granath, "Fout-rate-agnostische decodering van topologische stabilisatorcodes", Fysieke beoordeling A 105 4, 042616 (2022).

[8] Maxwell T. West en Muhammad Usman, "Framework for Donor-Qubit Spatial Metrology in Silicon with Depths Approaching the Bulk Limit", Fysieke beoordeling toegepast 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 en Muhammad Usman, "Op weg naar kwantumverbeterde vijandige robuustheid in machine learning", arXiv: 2306.12688, (2023).

[10] Moritz Lange, Pontus Havström, Basudha Srivastava, Valdemar Bergentall, Karl Hammar, Olivia Heuts, Evert van Nieuwenburg en Mats Granath, "Datagestuurde decodering van codes voor het corrigeren van kwantumfouten met behulp van neurale netwerken van grafieken", arXiv: 2307.01241, (2023).

Bovenstaande citaten zijn afkomstig van SAO / NASA ADS (laatst bijgewerkt met succes 2023-07-12 14:31:13). De lijst is mogelijk onvolledig omdat niet alle uitgevers geschikte en volledige citatiegegevens verstrekken.

Kon niet ophalen Door Crossref geciteerde gegevens tijdens laatste poging 2023-07-12 14:31:11: kon niet geciteerde gegevens voor 10.22331 / q-2023-07-12-1058 niet ophalen van Crossref. Dit is normaal als de DOI recent is geregistreerd.

Dit artikel is gepubliceerd in Quantum onder de Creative Commons Naamsvermelding 4.0 Internationaal (CC BY 4.0) licentie. Het auteursrecht blijft berusten bij de oorspronkelijke houders van auteursrechten, zoals de auteurs of hun instellingen.

Tijdstempel:

Meer van Quantum Journaal