环面码上去极化噪声的深度 Q 学习解码器
量子物理
2020-05-27 v1 无序系统与神经网络
摘要
我们提出了一种基于 AI 的解码智能体，用于环面码上去极化噪声的量子纠错。该智能体使用深度强化学习（DRL）进行训练，其中人工神经网络编码了分别以概率 、 和 发生的纠错 、 和 Pauli 操作的态-动作 Q 值。通过学习利用比特翻转与相位翻转错误之间的关联，该解码器在码距 时，对去极化噪声（）取得了比最小权完美匹配（MWPM）算法更高的成功率和更高的错误阈值。在去极化噪声上训练的解码器对不相关噪声也具有接近最优的性能，并对偏置噪声（）提供可用但次优的解码。我们认为，DRL 类型的解码器为未来拓扑码的实际纠错提供了一个有前景的框架，在在线计算（以深度 Q 网络前向评估的形式）与预训练及信息存储之间取得平衡。完整代码以及即用型解码器（预训练网络）可在仓库 https://github.com/mats-granath/toric-RL-decoder 中找到。
引用
@article{arxiv.1912.12919,
title = {Deep Q-learning decoder for depolarizing noise on the toric code},
author = {David Fitzek and Mattias Eliasson and Anton Frisk Kockum and Mats Granath},
journal= {arXiv preprint arXiv:1912.12919},
year = {2020}
}
备注
8+10 pages, 10+8 figures