基于表面码 syndrome 统计信息的贝叶斯推断通用噪声模型参数

通过利用对物理量子比特噪声模型的了解，可以提高表面码中错误纠正的性能。为了在量子计算期间为解码器提供准确的噪声信息，基于 syndrome 测量统计信息的自适应噪声模型估计是有效方法。虽然基于 syndrome 测量统计信息的噪声模型估计在 Paul 噪声下已为人所熟知，但对于更复杂且更现实的情形（如无法表示为 Paul 通道的幅度阻尼）仍未得到探索。本文提出了用于通用噪声模型的贝叶斯推断方法，将表面码的张量网络模拟器与蒙特卡洛抽样技术相结合。对于平稳噪声，我们提出基于马尔可夫链蒙特卡洛的方法。对于更现实的时变噪声，我们引入另一种基于顺序蒙特卡洛的方法。我们展示了将所提方法应用于各种噪声模型（包括静态、时变和非均匀情形）的数值结果，并对其性能进行详细评估。