重思维神经解码器在量子纠错中的作用
量子物理
2026-05-13 v1 人工智能
机器学习
摘要
量子纠错 (QEC) 是实现量子优势的关键手段, 解码作为核心算法原语. 鉴于其重要性和内在难度, 大量工作投入到 QEC 解码器设计中, 其中神经网络解码器最近作为数据驱动范式涌现为有前景的方案. 尽管已有进展, 实际部署仍受制于根本性的准确性-延迟权衡, 往往在微秒时间尺度上. 为此, 本文在显式准确性-延迟约束下, 重新审视面积码解码器的神经解码器, 考虑代码距离至 d=9 (161 个物理量子比特). 我们将代表性神经解码器统一并重新设计为五种架构范式, 开发端到端压缩管道以评估其在 FPGA 硬件上的可部署性与性能. 通过系统实验, 我们揭示了若干先前不太被探讨的见解: (i) 近期解码性能更受数据规模驱动, 而非架构复杂度; (ii) 合适的归纳偏置是实现高解码准确性的关键; (iii) INT4 量化是满足 FPGA 上微秒级延迟要求的必要条件. 这些发现为向可扩展且实时神经 QEC 解码提供了具体指导.
引用
@article{arxiv.2605.12046,
title = {Rethink the Role of Neural Decoders in Quantum Error Correction},
author = {Ge Yan and Shanchuan Li and Yuxuan Du},
journal= {arXiv preprint arXiv:2605.12046},
year = {2026}
}
备注
Accepted to ICML 2026; 33 Pages, 9 figures