1Центр квантових обчислень і комунікаційних технологій, Школа фізики, Університет Мельбурна, Парквіль, 3010, VIC, Австралія.
2Школа обчислювальних та інформаційних систем, Мельбурнська школа інженерії, Університет Мельбурна, Парквіль, 3010, VIC, Австралія
3Data61, CSIRO, Clayton, 3168, VIC, Австралія
Вам цей документ цікавий чи ви хочете обговорити? Скайте або залиште коментар на SciRate.
абстрактний
Виправлення помилок поверхневого коду пропонує багатообіцяючий шлях для досягнення масштабованих і відмовостійких квантових обчислень. Коли вони працюють як коди стабілізатора, обчислення поверхневого коду складаються з етапу декодування синдрому, де виміряні оператори стабілізатора використовуються для визначення відповідних поправок для помилок у фізичних кубітах. Алгоритми декодування зазнали суттєвого розвитку, а останнім часом було використано методи машинного навчання (ML). Незважаючи на багатообіцяючі початкові результати, декодери синдрому на основі ML все ще обмежені невеликими демонстраціями з низькою затримкою та нездатні обробляти поверхневі коди з граничними умовами та різними формами, необхідними для решітки та плетіння. Тут ми повідомляємо про розробку масштабованого та швидкого декодера синдрому на основі штучної нейронної мережі (ANM), здатного декодувати поверхневі коди довільної форми та розміру з кубітами даних, які страждають від моделі деполяризаційної помилки. На основі ретельного навчання понад 50 мільйонів випадків випадкової квантової помилки показано, що наш декодер ANN працює з кодовими відстанями, що перевищують 1000 (понад 4 мільйони фізичних кубітів), що є найбільшою на сьогоднішній день демонстрацією декодера на основі ML. Встановлений декодер ANN демонструє час виконання в принципі незалежно від відстані коду, маючи на увазі, що його реалізація на виділеному апаратному забезпеченні потенційно може запропонувати час декодування поверхневого коду O($mu$sec), співмірний з експериментально реалізованим часом когерентності кубіта. З очікуваним розширенням масштабів квантових процесорів протягом наступного десятиліття очікується, що їх доповнення швидким і масштабованим декодером синдрому, таким як розроблений у нашій роботі, зіграє вирішальну роль у експериментальній реалізації відмовостійкої обробки квантової інформації.
Популярне резюме
Наша робота запропонувала та реалізувала нову структуру згорткової нейронної мережі для вирішення проблем масштабування, які виникають під час декодування поверхневих кодів на великих відстанях. Згорткова нейронна мережа отримала вхідні дані, що складалися зі змінених вимірювань парності, а також граничної структури коду виправлення помилок. Враховуючи кінцеве вікно локального спостереження, що відбувається в згортковій нейронній мережі, декодер mop-up використовувався для виправлення будь-яких рідкісних залишкових помилок, які могли залишитися. На основі ретельного навчання понад 50 мільйонів випадків випадкових квантових помилок було показано, що наш декодер працює з кодовими відстанями, що перевищують 1000 (понад 4 мільйони фізичних кубітів), що стало найбільшою демонстрацією декодера на основі ML на сьогоднішній день.
Використання згорткових нейронних мереж і граничної структури у вхідних даних дозволило застосувати нашу мережу на широкому діапазоні поверхневих кодових відстаней і граничних конфігурацій. Локальне підключення до мережі дозволяє зберегти низьку затримку під час декодування кодів великої відстані та легко полегшує розпаралелювання. Наша робота стосується ключової проблеми використання нейронних мереж для декодування в масштабах проблем, що становлять практичний інтерес, і дозволяє проводити подальші дослідження, що включають використання мереж із подібною структурою.
► Дані BibTeX
► Список літератури
[1] С. Пірандола, У. Л. Андерсен, Л. Банчі, М. Берта, Д. Бунандар, Р. Колбек, Д. Енглунд, Т. Герінг, К. Лупо, К. Оттавіані, Дж. Л. Перейра, М. Разаві, Дж. Шамсул Шаарі , М. Томамічел, В. К. Усенко, Г. Валлоне, П. Віллорезі та П. Валлден. «Досягнення квантової криптографії». Adv. Opt. Фотон. 12, 1012–1236 (2020).
https:///doi.org/10.1364/AOP.361502
[2] Юдонг Цао, Джонатан Ромеро, Джонатан П. Олсон, Маттіас Дегроут, Пітер Д. Джонсон, Марія Кіферова, Ян Д. Ківлічан, Тім Менке, Борха Перопадре, Ніколас П. Д. Савайя, Сукін Сім, Лібор Вейс та Алан Аспуру-Гузік. «Квантова хімія в епоху квантових обчислень». Chemical Reviews 119, 10856–10915 (2019).
https: / / doi.org/ 10.1021 / acs.chemrev.8b00803
[3] Роман Орус, Самуель Мугель та Енріке Лізасо. «Квантові обчислення для фінансів: огляд і перспективи». Огляди з фізики 4, 100028 (2019).
https:///doi.org/10.1016/j.revip.2019.100028
[4] Крейг Гідні та Мартін Екеро. «Як розкласти 2048-бітні цілі числа RSA за 8 годин, використовуючи 20 мільйонів шумних кубітів». Квант 5, 433 (2021).
https://doi.org/10.22331/q-2021-04-15-433
[5] Джунхо Лі, Домінік В. Беррі, Крейг Гідні, Вільям Дж. Хаггінс, Джаррод Р. МакКлін, Натан Вібі та Раян Беббуш. «Ще більш ефективні квантові обчислення в хімії через тензорне гіперконтракція». PRX Quantum 2, 030305 (2021).
https: / / doi.org/ 10.1103 / PRXQuantum.2.030305
[6] Ювал Р. Сандерс, Домінік В. Беррі, Педро К. С. Коста, Луїс В. Тесслер, Натан Вібе, Крейг Гідні, Хартмут Невен і Раян Беббуш. “Компіляція відмовостійких квантових евристик для комбінаторної оптимізації”. PRX Quantum 1, 020312 (2020).
https: / / doi.org/ 10.1103 / PRXQuantum.1.020312
[7] Ерік Денніс, Олексій Китаєв, Ендрю Ландал і Джон Прескілл. «Топологічна квантова пам'ять». Журнал математичної фізики 43, 4452–4505 (2002).
https: / / doi.org/ 10.1063 / 1.1499754
[8] Крістіан Краглунд Андерсен, Антс Ремм, Стефанія Лазар, Себастьян Кріннер, Натан Лакруа, Грем Дж. Норріс, Міхай Габуреак, Крістофер Айхлер та Андреас Валрафф. «Повторне квантове виявлення помилок у поверхневому коді». Nature Physics 16, 875–880 (2020).
https: / / doi.org/ 10.1038 / s41567-020-0920-y
[9] Зіджун Чен, Кевін Дж. Сацінгер, Хуан Аталая, Олександр Н. Коротков, Ендрю Дансуорт, Деніел Санк, Кріс Кінтана, Метт Мак’юен, Рамі Барендс, Пол В. Клімов та ін. «Експоненціальне придушення бітових або фазових помилок із циклічним виправленням помилок». Nature 595, 383–387 (2021).
https: / / doi.org/ 10.1038 / s41586-021-03588-y
[10] Остін Г. Фаулер, Девід С. Ван і Ллойд К. Л. Холленберг. «Квантова корекція помилок поверхневого коду, що включає точне розповсюдження помилок» (2010). arXiv:1004.0255.
https:///doi.org/10.48550/arXiv.1004.0255
arXiv: 1004.0255
[11] Остін Г. Фаулер, Адам С. Уайтсайд і Ллойд К. Л. Холленберг. «До практичної класичної обробки поверхневого коду». Physical Review Letters 108 (2012).
https:///doi.org/10.1103/physrevlett.108.180501
[12] Остін Г. Фаулер. «Оптимальна корекція складності корельованих помилок у поверхневому коді» (2013). arXiv:1310.0863.
https:///doi.org/10.48550/arXiv.1310.0863
arXiv: 1310.0863
[13] Ферн Е. Уотсон, Хусейн Анвар і Ден Е. Браун. «Швидкий відмовостійкий декодер для кубітів і поверхневих кодів qudit». фіз. Rev. A 92, 032309 (2015).
https: / / doi.org/ 10.1103 / PhysRevA.92.032309
[14] Гійом Дюкло-Сіанчі та Девід Пулен. “Швидкі декодери для топологічних квантових кодів”. фіз. Преподобний Летт. 104, 050504 (2010).
https: / / doi.org/ 10.1103 / PhysRevLett.104.050504
[15] Роберт Рауссендорф і Джим Харінгтон. «Відмовостійке квантове обчислення з високим порогом у двох вимірах». фіз. Преподобний Летт. 98, 190504 (2007).
https: / / doi.org/ 10.1103 / PhysRevLett.98.190504
[16] Даніель Літінскі. «Гра поверхневих кодів: великомасштабні квантові обчислення з ґратковою хірургією». Квант 3, 128 (2019).
https://doi.org/10.22331/q-2019-03-05-128
[17] Саввас Варсамопулос, Бен Крігер і Коен Бертелс. «Декодування малих поверхневих кодів за допомогою прямої нейронної мережі». Квантова наука та технологія 3, 015004 (2017).
https:///doi.org/10.1088/2058-9565/aa955a
[18] Амарсана Даваасурен, Ясунарі Сузукі, Кейсуке Фуджі та Масато Коаші. «Загальна основа для побудови швидкого та майже оптимального декодера на основі машинного навчання кодів топологічного стабілізатора». фіз. Rev. Res. 2, 033399 (2020).
https: / / doi.org/ 10.1103 / PhysRevResearch.2.033399
[19] Джакомо Торлаї та Роджер Г. Мелко. “Нейронний декодер для топологічних кодів”. фіз. Преподобний Летт. 119, 030501 (2017).
https: / / doi.org/ 10.1103 / PhysRevLett.119.030501
[20] Стефан Крастанов і Лян Цзян. “Імовірнісний декодер глибокої нейронної мережі для кодів стабілізатора”. Наукові доповіді 7 (2017).
https://doi.org/10.1038/s41598-017-11266-1
[21] Пол Бейротер, Томас Е. О'Брайен, Браян Тарасінскі та Карло В. Дж. Бенаккер. «Корекція корельованих кубітів у топологічному коді за допомогою машинного навчання». Квант 2, 48 (2018).
https://doi.org/10.22331/q-2018-01-29-48
[22] Дебасміта Бхумік, Пінакі Сен, Рітаджит Маджумдар, Сусміта Сур-Колай, Латеш Кумар К.Дж. та Сундараджа Сітхарама Айенгар. «Ефективне декодування синдромів поверхневого коду для виправлення помилок у квантових обчисленнях» (2021). arXiv:2110.10896.
https:///doi.org/10.48550/arXiv.2110.10896
arXiv: 2110.10896
[23] Райан Свік, Маркус С. Кессельрінг, Еверт П. Л. ван Ньювенбург і Єнс Айзерт. «Декодери навчання посилення для відмовостійких квантових обчислень». Машинне навчання: Наука і технології 2, 025005 (2020).
https:///doi.org/10.1088/2632-2153/abc609
[24] Еліша Сіддікі Матеколе, Естер Йе, Рамія Аєр і Семюел Єн-Чі Чен. «Декодування поверхневих кодів із глибоким навчанням підкріплення та повторним використанням імовірнісної політики» (2022). arXiv:2212.11890.
https:///doi.org/10.48550/arXiv.2212.11890
arXiv: 2212.11890
[25] Рамон У. Дж. Оверватер, Масуд Бабає та Фабіо Себастьяно. «Декодери нейронних мереж для квантової корекції помилок за допомогою поверхневих кодів: космічні дослідження компромісів між ціною та продуктивністю обладнання». IEEE Transactions on Quantum Engineering 3, 1–19 (2022).
https:///doi.org/10.1109/TQE.2022.3174017
[26] Кай Мейнерц, Парк Че-Йун і Саймон Требст. «Масштабований нейронний декодер для кодів топологічної поверхні». фіз. Преподобний Летт. 128, 080505 (2022).
https: / / doi.org/ 10.1103 / PhysRevLett.128.080505
[27] С. Варсамопулос, К. Бертелс і К. Альмудевер. «Порівняння декодерів на основі нейронної мережі для поверхневого коду». IEEE Transactions on Computers 69, 300–311 (2020).
https: / / doi.org/ 10.1109 / TC.2019.2948612
[28] Оскар Хігготт. «Pymatching: пакет Python для декодування квантових кодів із ідеальним узгодженням мінімальної ваги» (2021). arXiv:2105.13082.
https:///doi.org/10.48550/arXiv.2105.13082
arXiv: 2105.13082
[29] Крістофер Чемберленд і Пуя Рона. «Глибокі нейронні декодери для короткострокових відмовостійких експериментів». Квантова наука та технологія 3, 044002 (2018).
https://doi.org/10.1088/2058-9565/aad1f7
[30] Даніель Готтесман. «Коди стабілізатора та квантова корекція помилок» (1997). arXiv:quant-ph/9705052.
https:///doi.org/10.48550/arXiv.quant-ph/9705052
arXiv: quant-ph / 9705052
[31] Чарльз Д. Хілл, Елдад Перец, Семюел Дж. Хіле, Метью Г. Хаус, Мартін Фюксле, Свен Рогге, Мішель Ю. Сіммонс і Ллойд К. Л. Холленберг. «Квантовий комп’ютер із поверхневим кодом у кремнії». Наукові досягнення 1, e1500707 (2015).
https: / / doi.org/ 10.1126 / sciadv.1500707
[32] Г. Піка, Б. В. Ловетт, Р. Н. Бхатт, Т. Шенкель і С. А. Ліон. «Архітектура поверхневого коду для донорів і точок у кремнії з неточними та нерівномірними зв’язками кубітів». фіз. B 93, 035306 (2016).
https:///doi.org/10.1103/PhysRevB.93.035306
[33] Чарльз Д. Хілл, Мухаммед Усман і Ллойд К. Л. Холленберг. «Квантова комп’ютерна архітектура поверхневого коду на основі обміну в кремнії» (2021). arXiv:2107.11981.
https:///doi.org/10.48550/arXiv.2107.11981
arXiv: 2107.11981
[34] Крістофер Чемберленд, Гуанью Чжу, Теодор Дж. Йодер, Джаред Б. Герцберг і Ендрю В. Кросс. “Топологічні та підсистемні коди на графах низького ступеня з кубітами-прапорами”. фіз. Ред. X 10, 011022 (2020).
https: / / doi.org/ 10.1103 / PhysRevX.10.011022
[35] Х. Бомбін, Рубен С. Андріст, Масаюкі Озекі, Гельмут Г. Кацграбер і М. А. Мартін-Дельгадо. «Сильна стійкість топологічних кодів до деполяризації». фіз. X 2, 021004 (2012).
https: / / doi.org/ 10.1103 / PhysRevX.2.021004
[36] Ешлі М. Стівенс. «Відмовостійкі пороги для квантової корекції помилок за допомогою поверхневого коду». фіз. Rev. A 89, 022321 (2014).
https: / / doi.org/ 10.1103 / PhysRevA.89.022321
[37] Девід С. Ванг, Остін Г. Фаулер і Ллойд К. Л. Холленберг. «Квантові обчислення поверхневого коду з частотою помилок понад 1%». фіз. Rev. A 83, 020302 (2011).
https: / / doi.org/ 10.1103 / PhysRevA.83.020302
[38] Остін Г. Фаулер і Крейг Гідні. «Квантові обчислення з низькими накладними витратами за допомогою решітки» (2019). arXiv:1808.06709.
https:///doi.org/10.48550/arXiv.1808.06709
arXiv: 1808.06709
[39] Остін Г. Фаулер, Маттео Маріантоні, Джон М. Мартініс та Ендрю Н. Клеланд. «Поверхневі коди: на шляху до практичного великомасштабного квантового обчислення». Physical Review A 86 (2012).
https:///doi.org/10.1103/physreva.86.032324
[40] Сяотун Ні. «Нейронні мережеві декодери для двовимірних торичних кодів великої відстані». Квант 2, 4 (310).
https://doi.org/10.22331/q-2020-08-24-310
[41] А. Холмс, М. Джокар, Г. Пасанді, Ю. Дін, М. Педрам і Ф. Т. Чонг. «Nisq+: підвищення квантової обчислювальної потужності шляхом наближення квантової корекції помилок». У 2020 році на 47-му щорічному міжнародному симпозіумі з комп’ютерної архітектури (ISCA) ACM/IEEE. Сторінки 556–569. Лос-Аламітос, Каліфорнія, США (2020). IEEE Computer Society.
https:///doi.org/10.1109/ISCA45697.2020.00053
[42] Крістіан Краглунд Андерсен, Антс Ремм, Стефанія Лазар, Себастьян Кріннер, Йоганнес Хейнсоо, Жан-Клод Бессе, Міхай Габуреак, Андреас Валрафф і Крістофер Айхлер. «Стабілізація заплутаності за допомогою визначення парності на основі допоміжних елементів і зворотного зв’язку в режимі реального часу в надпровідних колах». npj Квантова інформація 5 (2019).
https://doi.org/10.1038/s41534-019-0185-4
[43] Мартін Абаді, Ашіш Агарвал, Пол Бархем, Юджин Бревдо, Жіфен Чен, Крейг Сітро, Грег С. Коррадо, Енді Девіс, Джеффрі Дін, Метью Девін, Санджай Гемават, Ієн Гудфеллоу, Ендрю Харп, Джеффрі Ірвінг, Майкл Айсард, Янцін Цзя, Рафал Йозефович, Лукаш Кайзер, Манджунат Кудлур, Джош Левенберг, Ден Мане, Раджат Монга, Шеррі Мур, Дерек Мюррей, Кріс Олах, Майк Шустер, Джонатон Шленс, Бенуа Штайнер, Ілля Суцкевер, Кунал Талвар, Пол Такер, Вінсент Ванхук, Віджай Васудеван , Фернанда Вієгас, Оріол Віньялс, Піт Уорден, Мартін Ваттенберг, Мартін Віке, Юань Ю та Сяоцян Чжен. «Tensorflow: великомасштабне машинне навчання на гетерогенних розподілених системах» (2016). arXiv:1603.04467.
https:///doi.org/10.48550/arXiv.1603.04467
arXiv: 1603.04467
[44] Ніколас Дельфосс і Наомі Х. Нікерсон. “Алгоритм майже лінійного часового декодування для топологічних кодів”. Квант 5, 595 (2021).
https://doi.org/10.22331/q-2021-12-02-595
[45] Такаші Кобаяші, Джозеф Салфі, Кассандра Чуа, Йост ван дер Гейден, Меттью Г. Хаус, Дімітріє Калсер, Вейн Д. Хатчісон, Бретт С. Джонсон, Джефф С. Маккаллум, Хельге Ріманн, Микола В. Абросимов, Пітер Беккер, Ханс- Йоахім Поль, Мішель Ю. Сіммонс і Свен Рогге. «Розробка тривалого часу спінової когерентності спін-орбітальних кубітів у кремнії». Nature Materials 20, 38–42 (2020).
https://doi.org/10.1038/s41563-020-0743-3
[46] Дж. Пабло Бонілла Атаїдес, Девід К. Такетт, Стівен Д. Бартлетт, Стівен Т. Фламмія та Бенджамін Дж. Браун. «Код поверхні XZZX». Nature Communications 12 (2021).
https://doi.org/10.1038/s41467-021-22274-1
[47] Дмитро Є. Ніконов і Ян А. Янг. «Бенчмаркінг затримки та енергії нейронних схем висновку». IEEE Journal on Exploratory Solid-State Computational Devices and Circuits 5, 75–84 (2019).
https:///doi.org/10.1109/JXCDC.2019.2956112
[48] Остін Г. Фаулер. «Мінімальна вагова ідеальна відповідність відмовостійкої топологічної квантової корекції помилок за середній $o(1)$ паралельний час» (2014). arXiv:1307.1740.
https:///doi.org/10.48550/arXiv.1307.1740
arXiv: 1307.1740
[49] Ведран Дунько та Ханс Брігель. «Машинне навчання та штучний інтелект у квантовій області: огляд останніх досягнень». Звіти про прогрес у фізиці 81, 074001 (2018).
https: / / doi.org/ 10.1088 / 1361-6633 / aab406
[50] Лая Домінго Коломер, Міхаліс Скотініотіс і Рамон Муньос-Тапіа. «Навчання з підкріпленням для оптимального виправлення помилок торичних кодів». Physics Letters A 384, 126353 (2020).
https:///doi.org/10.1016/j.physleta.2020.126353
[51] Мілап Шет, Сара Зафар Джафарзаде та Влад Георгіу. «Декодування нейронного ансамблю для топологічних квантових кодів з виправленням помилок». фіз. Rev. A 101, 032338 (2020).
https: / / doi.org/ 10.1103 / PhysRevA.101.032338
[52] Девід Фіцек, Маттіас Еліассон, Антон Фріск Кокум і Матс Гранат. «Декодер глибокого q-навчання для деполяризації шуму на торичному коді». фіз. Rev. Res. 2, 023230 (2020).
https: / / doi.org/ 10.1103 / PhysRevResearch.2.023230
[53] Саввас Варсамопулос, Коен Бертелс і Кармен Дж. Альмудевер. «Декодування поверхневого коду за допомогою декодера на основі розподіленої нейронної мережі». Квантовий машинний інтелект 2, 1–12 (2020).
https://doi.org/10.1007/s42484-020-00015-9
[54] Томас Вагнер, Герман Камперман і Дагмар Брусс. “Симетрії для високорівневого нейронного декодера на торичному коді”. фіз. Rev. A 102, 042411 (2020).
https: / / doi.org/ 10.1103 / PhysRevA.102.042411
[55] Філіп Андреассон, Джоель Йоханссон, Саймон Лільєстранд і Матс Гранат. «Квантова корекція помилок для торичного коду з використанням глибокого навчання з підкріпленням». Квант 3, 183 (2019).
https://doi.org/10.22331/q-2019-09-02-183
[56] Ніколас П. Брейкман і Сяотун Ні. «Маштабовані нейронні мережеві декодери для квантових кодів більшої розмірності». Квант 2, 68 (2018).
https://doi.org/10.22331/q-2018-05-24-68
Цитується
[1] Крістофер Чемберленд, Луїс Гонсалвес, Прасант Сівараджа, Ерік Петерсон і Себастьян Грімберг, «Методики поєднання швидких локальних декодерів із глобальними декодерами під шумом на рівні схеми», arXiv: 2208.01178, (2022).
[2] Семюел К. Сміт, Бенджамін Дж. Браун і Стівен Д. Бартлетт, «Локальний попередній декодер для зменшення пропускної здатності та затримки квантової корекції помилок», Застосований фізичний огляд 19 3, 034050 (2023).
[3] Xinyu Tan, Fang Zhang, Rui Chao, Yaoyun Shi та Jianxin Chen, “Scalable surface code decoders with parallelization in time”, arXiv: 2209.09219, (2022).
[4] Максвелл Т. Вест, Сара М. Ерфані, Крістофер Лекі, Мартін Севіор, Ллойд К. Л. Холленберг і Мухаммад Усман, «Бенчмаркінг конкурентно надійного квантового машинного навчання в масштабі», Physical Review Research 5 2, 023186 (2023).
[5] Йосуке Уено, Масаакі Кондо, Масаміцу Танака, Ясунарі Сузукі та Ютака Табучі, «NEO-QEC: нейронна мережа 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 та Yi-Cong Zheng, «Маштабований, швидкий і програмований нейронний декодер для відмовостійких квантових обчислень з використанням поверхні Коди», arXiv: 2305.15767, (2023).
[7] Карл Хаммар, Олексій Орєхов, Патрік Уоллін Гібеліус, Анна Катаріна Вісаканто, Басудха Шрівастава, Антон Фріск Кокум і Матс Гранат, «Декодування кодів топологічних стабілізаторів, незалежно від частоти помилок», Фізичний огляд A 105 4, 042616 (2022).
[8] Максвелл Т. Вест і Мухаммад Усман, «Основи просторової метрології донорів-кубітів у кремнії з глибиною, що наближається до об’ємної межі», Застосований фізичний огляд 17 2, 024070 (2022).
[9] Максвелл Т. Вест, Шу-Лок Цанг, Джіа С. Лоу, Чарльз Д. Хілл, Крістофер Лекі, Ллойд К. Л. Холленберг, Сара М. Ерфані та Мухаммад Усман, «Назустріч квантово покращеній стійкості змагальності в машинному навчанні», arXiv: 2306.12688, (2023).
[10] Моріц Ланге, Понтус Хавстрьом, Басудха Срівастава, Вальдемар Бергенталл, Карл Хаммар, Олівія Хойтс, Еверт ван Ньюенбург і Матс Гранат, «Кероване даними декодування кодів квантового виправлення помилок за допомогою графових нейронних мереж», arXiv: 2307.01241, (2023).
Вищезазначені цитати від SAO / NASA ADS (останнє оновлення успішно 2023-07-12 14:31:13). Список може бути неповним, оскільки не всі видавці надають відповідні та повні дані про цитування.
Не вдалося отримати Перехресне посилання, наведене за даними під час останньої спроби 2023-07-12 14:31:11: Не вдалося отримати цитовані дані для 10.22331/q-2023-07-12-1058 з Crossref. Це нормально, якщо DOI був зареєстрований нещодавно.
Ця стаття опублікована в Quantum під Creative Commons Attribution 4.0 International (CC на 4.0) ліцензія. Авторське право залишається за оригінальними власниками авторських прав, такими як автори або їх установи.
- Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
- PlatoData.Network Vertical Generative Ai. Додайте собі сили. Доступ тут.
- PlatoAiStream. Web3 Intelligence. Розширення знань. Доступ тут.
- ПлатонЕСГ. Автомобільні / електромобілі, вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
- BlockOffsets. Модернізація екологічної компенсаційної власності. Доступ тут.
- джерело: https://quantum-journal.org/papers/q-2023-07-12-1058/
- : має
- :є
- : ні
- :де
- ][стор
- 1
- 10
- 11
- 12
- 13
- 14
- 15%
- 16
- 17
- 19
- 20
- 2011
- 2012
- 2013
- 2014
- 2015
- 2016
- 2017
- 2018
- 2019
- 2020
- 2021
- 2022
- 2023
- 22
- 23
- 24
- 25
- 26%
- 27
- 28
- 2D
- 30
- 31
- 32
- 33
- 36
- 39
- 40
- 49
- 50
- 51
- 7
- 8
- 9
- 98
- a
- вище
- РЕЗЮМЕ
- доступ
- точність
- точний
- Achieve
- досягнутий
- через
- активний
- Адам
- адреса
- адреси
- аванси
- змагальність
- приналежності
- вік
- AL
- Олександр
- алгоритм
- алгоритми
- ВСІ
- дозволено
- дозволяє
- Також
- an
- та
- Ендрю
- щорічний
- Очікуваний
- будь-який
- прикладної
- наближається
- відповідний
- архітектура
- ЕСТЬ
- штучний
- штучний інтелект
- AS
- At
- Остін
- Австралія
- автор
- authors
- середній
- ширина смуги
- заснований
- BE
- буття
- Бен
- бенчмаркінг
- Веніамін
- Біт
- підвищення
- межа
- Перерва
- Брайан
- by
- CA
- обчислювати
- CAN
- здатний
- викликаний
- змінилися
- Чарльз
- хімічний
- хімія
- Чень
- чонг
- Кріс
- Крістофер
- код
- Коди
- об'єднання
- коментар
- Commons
- Комунікація
- зв'язку
- повний
- складність
- У складі
- обчислення
- обчислення
- комп'ютер
- комп'ютери
- обчислення
- обчислювальна потужність
- Умови
- зв'язок
- будівництво
- авторське право
- виправити
- Виправлення
- може
- Крейг
- Перетинати
- вирішальне значення
- криптографія
- Поточний
- Данило
- дані
- керовані даними
- Девід
- Девіс
- десятиліття
- вирішальний
- Декодування
- присвячених
- глибокий
- затримка
- демонструє
- розгорнути
- Глибини
- Дерек
- Незважаючи на
- виявляти
- Виявлення
- Визначати
- розвиненою
- розробка
- прилади
- розміри
- безпосередньо
- обговорювати
- відстань
- розподілений
- розподілені системи
- домен
- зроблений
- під час
- e
- E&T
- фактично
- ефективний
- енергія
- Машинобудування
- підвищена
- досить
- помилка
- помилки
- встановлений
- Євген
- перевищує
- виконання
- очікуваний
- Експерименти
- дослідження
- полегшує
- фактор
- ШВИДКО
- зворотний зв'язок
- фінансування
- для
- Рамки
- від
- далі
- гра
- покоління
- даний
- Глобальний
- графік
- графіки
- Обробка
- апаратні засоби
- Гарвард
- Мати
- тут
- Високий
- на вищому рівні
- вище
- дуже
- власники
- ГОДИННИК
- будинок
- HTTPS
- IEEE
- if
- зображення
- реалізація
- реалізовані
- in
- нездатний
- включення
- незалежний
- інформація
- Інформаційні системи
- початковий
- вхід
- установи
- Інтелект
- інтерес
- цікавий
- Міжнародне покриття
- розслідування
- за участю
- ЙОГО
- JavaScript
- Джеффрі
- Джим
- Джон
- Джонсон
- журнал
- JPG
- Карл
- ключ
- великий
- масштабний
- більше
- найбільших
- останній
- Затримка
- вивчення
- Залишати
- Подветренний
- ліцензія
- МЕЖА
- обмеженою
- список
- місцевий
- логічний
- Довго
- подивився
- в
- Луїс
- низький
- машина
- навчання за допомогою машини
- Мартін
- узгодження
- Матеріали
- математичний
- Матвій
- макс-ширина
- Максвелл
- Може..
- mcclean
- вимірювання
- Мельбурн
- пам'ять
- Метрологія
- Майкл
- мікрофон
- мільйона
- мінімальний
- ML
- модель
- місяць
- більше
- більш ефективний
- Мюррей
- природа
- Близько
- Необхідність
- необхідний
- потреби
- мережу
- мереж
- нейронної мережі
- нейронні мережі
- наступний
- Нікола
- шум
- нормальний
- роман
- трапляються
- of
- пропонувати
- Пропозиції
- on
- онлайн
- відкрити
- працювати
- Оператори
- оптимальний
- оптимізація
- or
- порядок
- оригінал
- наші
- над
- огляд
- алюр
- пакет
- сторінок
- Папір
- Паралельні
- паритет
- Парк
- шлях
- Пол
- ідеальний
- Пітер
- Петерсон
- фаза
- фізичний
- Фізика
- plato
- Інформація про дані Платона
- PlatoData
- Play
- політика
- потенційно
- влада
- Практичний
- попередній
- в першу чергу
- принцип
- Проблема
- проблеми
- обробка
- процесори
- прогрес
- перспективний
- запропонований
- перспективи
- забезпечувати
- опублікований
- видавець
- видавців
- Python
- Квантовий
- Квантовий комп'ютер
- квантові обчислення
- квантова криптографія
- квантова корекція помилок
- квантова інформація
- квантове машинне навчання
- Кубіт
- кубіти
- РАМІ
- випадковий
- діапазон
- швидко
- ставки
- реального часу
- останній
- нещодавно
- зменшити
- посилання
- зареєстрований
- залишатися
- залишається
- Ren
- звітом
- Звіти
- дослідження
- пружність
- результати
- знову використовувати
- огляд
- Відгуки
- суворий
- РОБЕРТ
- міцний
- стійкість
- Роль
- RSA
- Райан
- s
- шліфувальні машини
- масштабовані
- шкала
- нарощувати
- ваги
- Масштабування
- схеми
- Школа
- Інженерна школа
- наука
- Наука і технології
- науковий
- Форма
- форми
- показаний
- Кремній
- ТАК
- аналогічний
- Саймон
- одночасно
- Розмір
- невеликий
- суспільство
- ВИРІШИТИ
- деякі
- Простір
- просторовий
- Спін
- Крок
- Стівен
- Стівен
- Як і раніше
- структура
- істотний
- Успішно
- такі
- страждає
- Страждає
- підходящий
- надпровідний
- придушення
- поверхню
- Хірургія
- Симпозіум
- Systems
- Завдання
- методи
- Технологія
- термін
- ніж
- Що
- Команда
- їх
- це
- поріг
- через
- по всьому
- Тім
- час
- times
- назва
- до
- топологічний квант
- до
- Навчання
- Transactions
- два
- при
- зазнав
- що лежить в основі
- університет
- оновлений
- URL
- USA
- використання
- використовуваний
- використовує
- використання
- різний
- Вінсент
- влад
- обсяг
- W
- хотіти
- було
- Уотсон
- we
- вага
- ДОБРЕ
- West
- коли
- який
- широкий
- Широкий діапазон
- вікно
- з
- в
- Work
- X
- xi
- Ye
- рік
- молодий
- юань
- зефірнет