QuantiSpect：用于可扩展表面码量子纠错的结构感知轻量级3D CNN预解码器

实时解码是大规模容错量子计算的关键瓶颈。基于AI的神经预解码器在将残余综合征传递给全局解码器之前局部纠正大部分物理错误，从而实现亚微秒延迟。然而，现有架构由于密集的3D卷积而带来大量开销。我们提出了QuantiSpect，一种用于旋转表面码的轻量级3D卷积神经网络（CNN）预解码器，基于Chamberland等人的解码流水线构建。关键思想是用每个残差块中的三个并行分支替换密集的3D卷积：深度空间分支、深度时间分支和分组时空分支，然后是挤压激励通道门。这反映了表面码错误的结构，其中空间和时间综合征相关性是部分可分离的。在统一的4xA100 GPU基准测试中，QuantiSpect在R=13时匹配Accurate基线的感受野，同时使用约2.71倍更少的参数（0.663M vs 1.80M）和约2.84倍更少的每体素卷积MAC。它在中等和大的码距下匹配Accurate的电路级阈值和精度，在d=13，p=0.5%时，相对于不相关的PyMatching，将逻辑错误率降低高达约1.85倍，并在d=23时将PyMatching解码速度提高高达3.11倍。我们还探索了通过添加块来扩大感受野。即使在R=21时，该模型仅使用1.18M参数，少于R=13 Accurate基线（1.80M）和R=17密集模型（4.22M），尽管其感受野更大。这种扩展变体显著优于Accurate模型，将电路级阈值提高到约0.80%，并进一步降低了逻辑错误率。总之，这两种变体表明，结构感知的分解设计是解码表面码的密集设计的有效、参数高效的替代方案。