量子纠错码数据驱动解码的重要性采样

数据驱动解码（DDD）——通过从数据中学习来解码（量子）纠错码的伴随式——由于训练数据的几个非典型且尚不清楚的特性，可能是一个困难的问题。我们引入了一种样本重要性理论，阐明了 DDD 的这些不寻常方面：例如，我们表明，一个简单的纠错码的 DDD 等价于一个带噪声的、不平衡的二元分类问题。我们表明，在以较高错误率生成的数据上训练神经解码器的现有重要性采样技术，引入了类别不平衡与标签噪声之间的权衡。我们应用该技术表明，在以较高错误率采样的伴随式上训练的神经网络解码器的准确性获得了稳健提升，并为寻找训练数据的最佳错误率提供了启发式论证。我们将这些分析扩展到涉及多轮伴随式测量的量子码解码中，表明样本重要性和调节旋钮在改进与实验相关的数据驱动解码器方面具有广泛的适用性。