面向容错量子计算的随机误差累积自适应控制
计算机视觉与模式识别
2026-03-17 v1 人工智能
摘要
在具有容错特性的量子计算硬件中，非平稳噪声和随机漂移导致逻辑错误通过误差在时间上的累积而非独立事件产生。静态解码和固定校准技术在结构上与此相容，因为它们不考虑误差之间的时间相关性或控制引起的误差反馈。这些效应激发发必须跟踪校正周期中噪声演化的控制策略，而非孤立地响应单个绪道。我们将容错量子计算建模为随机控制问题，使用包含 Paul 误差过程的简化量子动力学模型，其中误差由随时间变化的潜在噪声参数支配。从这个角度看，逻辑错误通过危害变量的累积产生，而相应的控制目标取决于完整的观察历史。在此条件下，Chronological Deep Q-Network (Ch-DQN) 维护内部信念状态，以跟踪噪声演化和累积的危害。训练期间，使用轨迹的逆向细化用于抽样 slowly drifting 模式的操作，而运行时推断保持严格因果性。分数 meta-update 稳定了在非平稳、控制耦合动力学下的学习。通过包含随机漂移和决策反馈的多距离仿真，Ch-DQN 抑制了危害累积，相对于静态和循环基线延长了逻辑存活时间。因此，在此情境下，错误纠正不再是静态解码任务，而是一个随时间由底层噪声动力学决定其成功性的控制过程。
引用
@article{arxiv.2603.14686,
title = {MVHOI: Bridge Multi-view Condition to Complex Human-Object Interaction Video Reenactment via 3D Foundation Model},
author = {Jinguang Tong and Jinbo Wu and Kaisiyuan Wang and Zhelun Shen and Xuan Huang and Mochu Xiang and Xuesong Li and Yingying Li and Haocheng Feng and Chen Zhao and Hang Zhou and Wei He and Chuong Nguyen and Jingdong Wang and Hongdong Li},
journal= {arXiv preprint arXiv:2603.14686},
year = {2026}
}