基于GNN的QEC解码器是否需要经典知识？评估从MWPM进行知识蒸馏的有效性

量子误差纠正（QEC）中解码器的性能是实现实际量子计算机的关键。近年来，图神经网络（GNN）作为一种有前景的ethods，但其训练方法尚不成熟。普遍期望的是，将来自最小权重完美匹配（MWPM）等经典算法的理论知识传递给GNN，这种技术称为知识蒸馏，能够有效提高性能。在本工作中，我们通过严格比较两种基于图注意力网络（GAT）架构、包含时间信息作为节点特征的模型来检验这一假设。第一种是纯数据驱动模型（基线），仅使用真实标签训练；第二种则 incorporates 基于MWPM中理论误差概率的知识蒸馏损失。使用来自Google的公共实验数据进行评估，我们发现尽管知识蒸馏模型的最终测试准确率几乎与基线模型相同，但其训练损失收敛速度更慢，训练时间约增加五倍。这一结果表明，现代GNN架构具备高效从真实硬件数据中直接学习复杂误差相关性的能力，而无需来自近似理论模型的指导。