Skalowalny i szybki dekoder syndromu sztucznej sieci neuronowej dla kodów powierzchniowych

Skalowalny i szybki dekoder syndromu sztucznej sieci neuronowej dla kodów powierzchniowych

Znacznik czasu: 12 lipca 2023 10:23

Spiro Giczew1, Lloyd CL Hollenberg1i Muhammada Usmana1,2,3

1Centrum Obliczeń Kwantowych i Technologii Komunikacyjnych, Szkoła Fizyki Uniwersytetu w Melbourne, Parkville, 3010, VIC, Australia.
2Szkoła Informatyki i Systemów Informatycznych, Melbourne School of Engineering, University of Melbourne, Parkville, 3010, VIC, Australia
3Data61, CSIRO, Clayton, 3168, VIC, Australia

Czy ten artykuł jest interesujący czy chcesz dyskutować? Napisz lub zostaw komentarz do SciRate.

Abstrakcyjny

Korekcja błędów kodu powierzchniowego oferuje wysoce obiecującą ścieżkę do osiągnięcia skalowalnych, odpornych na błędy obliczeń kwantowych. Gdy działają jako kody stabilizatora, obliczenia kodu powierzchniowego składają się z etapu dekodowania zespołu, w którym zmierzone operatory stabilizatora są wykorzystywane do określenia odpowiednich korekt błędów w kubitach fizycznych. Algorytmy dekodowania przeszły znaczny rozwój, a ostatnie prace obejmują techniki uczenia maszynowego (ML). Pomimo obiecujących początkowych wyników, dekodery syndromu oparte na ML są nadal ograniczone do demonstracji na małą skalę z niskimi opóźnieniami i nie są w stanie obsługiwać kodów powierzchniowych z warunkami brzegowymi i różnymi kształtami potrzebnymi do operacji sieciowych i splatania. Tutaj opisujemy rozwój skalowalnego i szybkiego dekodera opartego na sztucznej sieci neuronowej (ANN), zdolnego do dekodowania kodów powierzchniowych o dowolnym kształcie i rozmiarze z kubitami danych cierpiącymi na model błędu depolaryzacji. W oparciu o rygorystyczne szkolenie ponad 50 milionów przypadkowych błędów kwantowych, nasz dekoder ANN działa z odległościami kodu przekraczającymi 1000 (ponad 4 miliony kubitów fizycznych), co jest największą jak dotąd demonstracją dekodera opartego na ML. Ustalony dekoder ANN wykazuje czas wykonania w zasadzie niezależny od odległości kodu, co sugeruje, że jego implementacja na dedykowanym sprzęcie może potencjalnie oferować czasy dekodowania kodu powierzchniowego O($mu$sec), współmierne do eksperymentalnie osiągalnych czasów koherencji kubitów. Wraz z przewidywanym zwiększeniem skali procesorów kwantowych w ciągu następnej dekady oczekuje się, że ich rozszerzenie za pomocą szybkiego i skalowalnego dekodera syndromowego, takiego jak opracowany w naszej pracy, odegra decydującą rolę w eksperymentalnym wdrożeniu odpornego na błędy przetwarzania informacji kwantowych.

Skalowalny i szybki dekoder syndromu sztucznej sieci neuronowej dla kodów powierzchniowych PlatoBlockchain Data Intelligence. Wyszukiwanie pionowe. AI.

Wyróżniony obraz: Struktura dekodera sztucznej sieci neuronowej do szybkiej i skalowalnej korekcji błędów.

Popularne podsumowanie

Dokładność obecnej generacji urządzeń kwantowych jest obarczona szumem lub błędami. Kody korekcji błędów kwantowych, takie jak kody powierzchniowe, można zastosować do wykrywania i korygowania błędów. Kluczowym krokiem we wdrażaniu schematów kodów powierzchniowych jest dekodowanie, algorytm wykorzystujący informacje o błędach mierzone bezpośrednio z komputera kwantowego do obliczania odpowiednich poprawek. Aby skutecznie rozwiązać problemy powodowane przez szum, dekodery muszą obliczać odpowiednie poprawki w tempie z szybkimi pomiarami wykonywanymi na bazowym sprzęcie kwantowym. Należy to osiągnąć przy odległości kodu powierzchniowego wystarczająco dużej, aby wystarczająco wyeliminować błędy i jednocześnie we wszystkich aktywnych kubitach logicznych. Poprzednie prace skupiały się głównie na algorytmach dopasowywania grafów, takich jak idealne dopasowanie minimalnej wagi, a niektóre ostatnie prace dotyczyły również wykorzystania sieci neuronowych do tego zadania, chociaż ograniczały się do implementacji na małą skalę.

W naszej pracy zaproponowaliśmy i wdrożyliśmy nowatorską konwolucyjną strukturę sieci neuronowej, aby rozwiązać problemy ze skalowaniem napotkane podczas dekodowania kodów powierzchniowych o dużej odległości. Konwolucyjna sieć neuronowa otrzymała dane wejściowe składające się ze zmienionych pomiarów parzystości, a także struktury brzegowej kodu korekcji błędów. Biorąc pod uwagę ograniczone okno lokalnej obserwacji występujące w konwolucyjnej sieci neuronowej, zastosowano dekoder mop-up, aby skorygować wszelkie rzadkie błędy resztkowe, które mogą pozostać. W oparciu o rygorystyczne szkolenie ponad 50 milionów przypadkowych błędów kwantowych, nasz dekoder wykazał, że działa z odległościami kodu przekraczającymi 1000 (ponad 4 miliony kubitów fizycznych), co było największą jak dotąd demonstracją dekodera opartego na ML.

Zastosowanie konwolucyjnych sieci neuronowych i struktury granic na wejściu pozwoliło na zastosowanie naszej sieci w szerokim zakresie odległości kodu powierzchni i konfiguracji granic. Lokalna łączność sieci pozwala na zachowanie małych opóźnień podczas dekodowania kodów o większej odległości i łatwo ułatwia równoległość. Nasza praca dotyczy kluczowego problemu wykorzystania sieci neuronowych do dekodowania w skalach problemów o znaczeniu praktycznym i umożliwia dalsze badania z wykorzystaniem sieci o podobnej strukturze.

► Dane BibTeX

► Referencje

[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 i P. Wallden. „Postępy w kryptografii kwantowej”. adw. Optować. 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 i Alán Aspuru-Guzik. „Chemia kwantowa w dobie komputerów kwantowych”. Recenzje chemiczne 119, 10856–10915 (2019).
https: / / doi.org/ 10.1021 / acs.chemrev.8b00803

[3] Román Orús, Samuel Mugel i Enrique Lizaso. „Obliczenia kwantowe dla finansów: przegląd i perspektywy”. Recenzje w Fizyka 4, 100028 (2019).
https: / / doi.org/ 10.1016 / j.revip.2019.100028

[4] Craiga Gidneya i Martina Ekerå. „Jak rozkładać na czynniki 2048-bitowe liczby całkowite RSA w 8 godzin przy użyciu 20 milionów hałaśliwych kubitów”. Kwant 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 i Ryan Babbush. „Jeszcze bardziej wydajne obliczenia kwantowe chemii poprzez hiperkontrakcję tensorową”. 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 i Ryan Babbush. „Kompilacja odpornych na błędy heurystyk kwantowych do optymalizacji kombinatorycznej”. PRX Quantum 1, 020312 (2020).
https: // doi.org/ 10.1103 / PRXQuantum.1.020312

[7] Eric Dennis, Alexei Kitaev, Andrew Landahl i John Preskill. „Topologiczna pamięć kwantowa”. 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 i Andreas Wallraff. „Powtarzające się wykrywanie błędów kwantowych w kodzie powierzchni”. Fizyka przyrody 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 i in. „Wykładnicza eliminacja błędów bitowych lub fazowych z cykliczną korekcją błędów”. Przyroda 595, 383–387 (2021).
https: / / doi.org/ 10.1038 / s41586-021-03588-y

[10] Austin G. Fowler, David S. Wang i Lloyd CL Hollenberg. „Korekcja błędów kwantowych kodu powierzchniowego obejmująca dokładną propagację błędów” (2010). arXiv:1004.0255.
https://​/​doi.org/​10.48550/​arXiv.1004.0255
arXiv: 1004.0255

[11] Austin G. Fowler, Adam C. Whiteside i Lloyd CL Hollenberg. „W kierunku praktycznego klasycznego przetwarzania kodu powierzchni”. Listy przeglądu fizycznego 108 (2012).
https: / / doi.org/ 10.1103 / physrevlett.108.180501

[12] Austina G. Fowlera. „Optymalna korekcja złożoności skorelowanych błędów w kodzie powierzchni” (2013). arXiv:1310.0863.
https://​/​doi.org/​10.48550/​arXiv.1310.0863
arXiv: 1310.0863

[13] Fern HE Watson, Hussain Anwar i Dan E. Browne. „Szybki, odporny na uszkodzenia dekoder dla kodów powierzchniowych kubitów i quditów”. fizyka Wersja A 92, 032309 (2015).
https: / / doi.org/ 10.1103 / PhysRevA.92.032309

[14] Guillaume Duclos-Cianci i David Poulin. „Szybkie dekodery dla topologicznych kodów kwantowych”. fizyka Wielebny Lett. 104, 050504 (2010).
https: / / doi.org/ 10.1103 / PhysRevLett.104.050504

[15] Roberta Raussendorfa i Jima Harringtona. „Obliczenia kwantowe odporne na uszkodzenia z wysokim progiem w dwóch wymiarach”. fizyka Wielebny Lett. 98, 190504 (2007).
https: / / doi.org/ 10.1103 / PhysRevLett.98.190504

[16] Daniel Litiński. „Gra w kody powierzchniowe: obliczenia kwantowe na dużą skalę z chirurgią kratową”. Kwant 3, 128 (2019).
https:/​/​doi.org/​10.22331/​q-2019-03-05-128

[17] Savvas Varsamopoulos, Ben Criger i Koen Bertels. „Dekodowanie kodów o małej powierzchni za pomocą sieci neuronowych z wyprzedzeniem”. Nauka i technologia kwantowa 3, 015004 (2017).
https: / / doi.org/ 10.1088 / 2058-9565 / aa955a

[18] Amarsanaa Davaasuren, Yasunari Suzuki, Keisuke Fujii i Masato Koashi. „Ogólne ramy do konstruowania szybkiego i prawie optymalnego dekodera kodów stabilizatora topologicznego opartego na uczeniu maszynowym”. fizyka Ks. Rez. 2, 033399 (2020).
https: / / doi.org/ 10.1103 / PhysRevResearch.2.033399

[19] Giacomo Torlai i Roger G. Melko. „Dekoder neuronowy dla kodów topologicznych”. fizyka Wielebny Lett. 119, 030501 (2017).
https: / / doi.org/ 10.1103 / PhysRevLett.119.030501

[20] Stefan Krastanow i Liang Jiang. „Dekoder probabilistyczny głębokiej sieci neuronowej dla kodów stabilizatora”. Raporty naukowe 7 (2017).
https:/​/​doi.org/​10.1038/​s41598-017-11266-1

[21] Paul Baireuther, Thomas E. O'Brien, Brian Tarasinski i Carlo WJ Beenakker. „Wspomagana przez uczenie maszynowe korekta skorelowanych błędów kubitów w kodzie topologicznym”. Kwant 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 i Sundaraja Sitharama Iyengar. „Wydajne dekodowanie syndromów kodu powierzchniowego do korekcji błędów w obliczeniach kwantowych” (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 i Jens Eisert. „Dekodery uczenia się ze wzmocnieniem do obliczeń kwantowych odpornych na uszkodzenia”. Uczenie maszynowe: nauka i technologia 2, 025005 (2020).
https://​/​doi.org/​10.1088/​2632-2153/​abc609

[24] Elisha Siddiqui Matekole, Esther Ye, Ramya Iyer i Samuel Yen-Chi Chen. „Dekodowanie kodów powierzchniowych za pomocą głębokiego uczenia się wzmacniającego i ponownego wykorzystania polityki probabilistycznej” (2022). arXiv:2212.11890.
https://​/​doi.org/​10.48550/​arXiv.2212.11890
arXiv: 2212.11890

[25] Ramon WJ Overwater, Masoud Babaie i Fabio Sebastiano. „Dekodery sieci neuronowych do kwantowej korekcji błędów przy użyciu kodów powierzchniowych: eksploracja kosmosu kompromisów między kosztami a wydajnością sprzętu”. IEEE Transactions on Quantum Engineering 3, 1–19 (2022).
https: // doi.org/ 10.1109 / TQE.2022.3174017

[26] Kai Meinerz, Chae-Yeun Park i Simon Trebst. „Skalowalny dekoder neuronowy dla topologicznych kodów powierzchni”. fizyka Wielebny Lett. 128, 080505 (2022).
https: / / doi.org/ 10.1103 / PhysRevLett.128.080505

[27] S. Varsamopoulos, K. Bertels i C. Almudever. „Porównywanie dekoderów opartych na sieciach neuronowych dla kodu powierzchniowego”. Transakcje IEEE na komputerach 69, 300–311 (2020).
https: / / doi.org/ 10.1109 / TC.2019.2948612

[28] Oskara Higgotta. „Pymatching: pakiet Pythona do dekodowania kodów kwantowych z idealnym dopasowaniem o minimalnej wadze” (2021). arXiv:2105.13082.
https://​/​doi.org/​10.48550/​arXiv.2105.13082
arXiv: 2105.13082

[29] Christophera Chamberlanda i Pooyę Ronagh. „Głębokie dekodery neuronowe do krótkoterminowych eksperymentów odpornych na uszkodzenia”. Nauka i technologia kwantowa 3, 044002 (2018).
https:/​/​doi.org/​10.1088/​2058-9565/​aad1f7

[30] Daniela Gottesmana. „Kody stabilizatora i kwantowa korekcja błędów” (1997). arXiv:kwant-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 i Lloyd CL Hollenberg. „Komputer kwantowy z kodem powierzchniowym w krzemie”. Postępy naukowe 1, e1500707 (2015).
https: / / doi.org/ 10.1126 / sciadv.1500707

[32] G. Pica, BW Lovett, RN Bhatt, T. Schenkel i SA Lyon. „Architektura kodu powierzchniowego dla dawców i kropek w krzemie z nieprecyzyjnymi i niejednorodnymi sprzężeniami kubitowymi”. fizyka Wersja B 93, 035306 (2016).
https: / / doi.org/ 10.1103 / PhysRevB.93.035306

[33] Charles D. Hill, Muhammad Usman i Lloyd CL Hollenberg. „Oparta na wymianie architektura komputera kwantowego z kodem powierzchniowym w krzemie” (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 i Andrew W. Cross. „Kody topologiczne i podsystemowe na grafach niskiego stopnia z kubitami flagowymi”. fizyka Wersja X 10, 011022 (2020).
https: / / doi.org/ 10.1103 / PhysRevX.10.011022

[35] H. Bombin, Ruben S. Andrist, Masayuki Ohzeki, Helmut G. Katzgraber i MA Martin-Degado. „Silna odporność kodów topologicznych na depolaryzację”. fizyka Wersja X 2, 021004 (2012).
https: / / doi.org/ 10.1103 / PhysRevX.2.021004

[36] Ashley M. Stephens. „Progi tolerancji błędów dla kwantowej korekcji błędów za pomocą kodu powierzchni”. fizyka Wersja A 89, 022321 (2014).
https: / / doi.org/ 10.1103 / PhysRevA.89.022321

[37] David S. Wang, Austin G. Fowler i Lloyd CL Hollenberg. „Obliczenia kwantowe kodu powierzchniowego ze wskaźnikami błędów powyżej 1%” . fizyka Wersja A 83, 020302 (2011).
https: / / doi.org/ 10.1103 / PhysRevA.83.020302

[38] Austina G. Fowlera i Craiga Gidneya. „Obliczenia kwantowe o niskim narzucie przy użyciu chirurgii kratowej” (2019). arXiv:1808.06709.
https://​/​doi.org/​10.48550/​arXiv.1808.06709
arXiv: 1808.06709

[39] Austin G. Fowler, Matteo Mariantoni, John M. Martinis i Andrew N. Cleland. „Kody powierzchniowe: w kierunku praktycznych obliczeń kwantowych na dużą skalę”. Przegląd fizyczny A 86 (2012).
https: / / doi.org/ 10.1103 / physreva.86.032324

[40] Xiaotong Ni. „Dekodery sieci neuronowych dla kodów torycznych 2D na duże odległości”. Kwant 4, 310 (2020).
https:/​/​doi.org/​10.22331/​q-2020-08-24-310

[41] A. Holmes, M. Jokar, G. Pasandi, Y. Ding, M. Pedram i FT Chong. „Nisq+: Zwiększanie kwantowej mocy obliczeniowej poprzez zbliżoną kwantową korekcję błędów”. W 2020 ACM/​IEEE 47th Annual International Symposium on Computer Architecture (ISCA). Strony 556–569. Los Alamitos, Kalifornia, USA (2020). Towarzystwo komputerowe IEEE.
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 i Christopher Eichler. „Stabilizacja splątania za pomocą wykrywania parzystości opartego na ancilli i sprzężenia zwrotnego w czasie rzeczywistym w obwodach nadprzewodzących”. 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 Jia, Rafał Józefowicz, Łukasz 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 i Xiaoqiang Zheng. „Tensorflow: uczenie maszynowe na dużą skalę w heterogenicznych systemach rozproszonych” (2016). arXiv:1603.04467.
https://​/​doi.org/​10.48550/​arXiv.1603.04467
arXiv: 1603.04467

[44] Nicolas Delfosse i Naomi H. Nickerson. „Algorytm dekodowania w czasie prawie liniowym kodów topologicznych”. Kwant 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 i Sven Rogge. „Inżynieria długich czasów koherencji wirowania kubitów spinowo-orbitalnych w krzemie”. Materiały przyrodnicze 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 i Benjamin J. Brown. „Kod powierzchni XZZX”. Komunikaty natury 12 (2021).
https:/​/​doi.org/​10.1038/​s41467-021-22274-1

[47] Dmitri E. Nikonov i Ian A. Young. „Benchmarking opóźnienia i energii neuronowych obwodów wnioskowania”. IEEE Journal on Exploratory Solid-State Computational Devices and Circuits 5, 75–84 (2019).
https://​/​doi.org/​10.1109/​JXCDC.2019.2956112

[48] Austina G. Fowlera. „Minimalne idealne dopasowanie odpornej na błędy topologicznej kwantowej korekcji błędów w średnim czasie równoległym $o(1)$” (2014). arXiv:1307.1740.
https://​/​doi.org/​10.48550/​arXiv.1307.1740
arXiv: 1307.1740

[49] Vedran Dunjko i Hans J. Briegel. „Uczenie maszynowe i sztuczna inteligencja w domenie kwantowej: przegląd ostatnich postępów”. Raporty o postępach w fizyce 81, 074001 (2018).
https: / / doi.org/ 10.1088 / 1361-6633 / aab406

[50] Laia Domingo Colomer, Michalis Skotiniotis i Ramon Muñoz-Tapia. „Uczenie się ze wzmocnieniem dla optymalnej korekcji błędów kodów torycznych”. Fizyka Letters A 384, 126353 (2020).
https: / / doi.org/ 10.1016 / j.physleta.2020.126353

[51] Milap Sheth, Sara Zafar Jafarzadeh i Vlad Gheorghiu. „Dekodowanie zespołu neuronowego dla topologicznych kodów korekcji błędów kwantowych”. fizyka Rev. A 101, 032338 (2020).
https: / / doi.org/ 10.1103 / PhysRevA.101.032338

[52] David Fitzek, Mattias Eliasson, Anton Frisk Kockum i Mats Granath. „Głęboki dekoder q-learningowy do depolaryzacji szumu na kodzie torycznym”. fizyka Ks. Rez. 2, 023230 (2020).
https: / / doi.org/ 10.1103 / PhysRevResearch.2.023230

[53] Savvas Varsamopoulos, Koen Bertels i Carmen G Almudever. „Dekodowanie kodu powierzchniowego za pomocą dekodera opartego na rozproszonej sieci neuronowej”. Quantum Machine Intelligence 2, 1–12 (2020).
https:/​/​doi.org/​10.1007/​s42484-020-00015-9

[54] Thomasa Wagnera, Hermanna Kampermanna i Dagmar Bruß. „Symetrie dla dekodera neuronowego wysokiego poziomu w kodzie torycznym”. fizyka Rev. A 102, 042411 (2020).
https: / / doi.org/ 10.1103 / PhysRevA.102.042411

[55] Philipa Andreassona, Joela Johanssona, Simona Liljestranda i Matsa Granatha. „Kwantowa korekcja błędów kodu torycznego przy użyciu uczenia głębokiego wzmacniania”. Kwant 3, 183 (2019).
https:/​/​doi.org/​10.22331/​q-2019-09-02-183

[56] Nikolasa P. Breuckmanna i Xiaotong Ni. „Skalowalne dekodery sieci neuronowych dla kodów kwantowych o wyższych wymiarach”. Kwant 2, 68 (2018).
https:/​/​doi.org/​10.22331/​q-2018-05-24-68

Cytowany przez

[1] Christopher Chamberland, Luis Goncalves, Prasahnt Sivarajah, Eric Peterson i Sebastian Grimberg, „Techniki łączenia szybkich lokalnych dekoderów z globalnymi dekoderami w warunkach szumu na poziomie obwodu”, arXiv: 2208.01178, (2022).

[2] Samuel C. Smith, Benjamin J. Brown i Stephen D. Bartlett, „Lokalny predekoder zmniejszający przepustowość i opóźnienie kwantowej korekcji błędów”, Zastosowano przegląd fizyczny 19 3, 034050 (2023).

[3] Xinyu Tan, Fang Zhang, Rui Chao, Yaoyun Shi i Jianxin Chen, „Skalowalne dekodery kodu powierzchniowego z równoległością w czasie”, arXiv: 2209.09219, (2022).

[4] Maxwell T. West, Sarah M. Erfani, Christopher Leckie, Martin Sevior, Lloyd CL Hollenberg i Muhammad Usman, „Benchmarking adversarialnie solidnego kwantowego uczenia maszynowego na dużą skalę”, Badania fizyczne Review 5 2, 023186 (2023).

[5] Yosuke Ueno, Masaaki Kondo, Masamitsu Tanaka, Yasunari Suzuki i 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 i Yi-Cong Zheng, „Skalowalny, szybki i programowalny dekoder neuronowy do obliczeń kwantowych odpornych na uszkodzenia za pomocą powierzchni Kody”, arXiv: 2305.15767, (2023).

[7] Karl Hammar, Alexei Orekhov, Patrik Wallin Hybelius, Anna Katariina Wisakanto, Basudha Srivastava, Anton Frisk Kockum i Mats Granath, „Error-rate-agnostic decoding of topological stabilizator codes”, Przegląd fizyczny A 105 4, 042616 (2022).

[8] Maxwell T. West i Muhammad Usman, „Ramy dla metrologii przestrzennej Donor-Qubit w krzemie z głębokościami zbliżającymi się do limitu masowego”, Zastosowano przegląd fizyczny 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 i Muhammad Usman, „Ku wzmocnionej kwantowo odporności przeciwnej w uczeniu maszynowym”, arXiv: 2306.12688, (2023).

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

Powyższe cytaty pochodzą z Reklamy SAO / NASA (ostatnia aktualizacja pomyślnie 2023-07-12 14:31:13). Lista może być niekompletna, ponieważ nie wszyscy wydawcy podają odpowiednie i pełne dane cytowania.

Nie można pobrać Przywołane przez Crossref dane podczas ostatniej próby 2023-07-12 14:31:11: Nie można pobrać cytowanych danych dla 10.22331 / q-2023-07-12-1058 z Crossref. Jest to normalne, jeśli DOI zostało niedawno zarejestrowane.

Niniejszy artykuł opublikowano w Quantum pod Creative Commons Uznanie autorstwa 4.0 Międzynarodowe (CC BY 4.0) licencja. Prawa autorskie należą do pierwotnych właścicieli praw autorskich, takich jak autorzy lub ich instytucje.

Znak czasu:

Więcej z Dziennik kwantowy