神经网络解码器的可解释性
量子物理
2025-07-16 v1 无序系统与神经网络
摘要
神经网络（NN）based 解码器正在 quantum error correction（QEC）领域中日益流行，包括用于 state-of-the-art 量子计算实验的解码。本文利用机器学习领域已建立的可解释性方法，构建一个工具箱，以理解通常以黑盒形式存在的已训练 NN 解码器的底层解码逻辑。为说明所用可解释性方法的能力，我们以一个用于 flag-qubit 基于故障容错（fault-tolerant, FT）QEC 的 Steane code 的 NN 解码器为例进行案例研究。我们展示了如何解释 NN 的具体解码决策，揭示了 NN 如何学习捕获从 syndrome 和 flag qubit 测量中获取的基本信息，以作出 FT 纠错决策。进一步，我们表明，对 NN 获取解码决策的理解可用于一方面识别 NN 处理错误 syndrome 信息时的缺陷，从而导致解码性能下降，另一方面用于对 NN 架构进行 well-informed 的改进。我们所提出的可解释性方法的诊断能力可帮助确保机器学习用于 QEC 协议解码的成功应用。
引用
@article{arxiv.2502.20269,
title = {On the interpretability of neural network decoders},
author = {Lukas Bödeker and Luc J. B. Kusters and Markus Müller},
journal= {arXiv preprint arXiv:2502.20269},
year = {2025}
}