Quantum information needs to be protected by quantum error-correcting codes due to imperfect quantum devices and operations. One would like to have an efficient and high-performance decoding procedure for quantum codes. A potential candidate is Pearl's belief propagation (BP), but its performance suffers from the many short cycles inherent in quantum codes, especially \textit{{highly-degenerate}} codes (that is, codes with many low-weight stabilizers). A general impression exists that BP cannot work for topological codes, such as the surface and toric codes. In this paper, we propose a decoding algorithm for quantum codes based on quaternary BP but with additional memory effects (called MBP). This MBP is like a recursive neural network with inhibition between neurons (edges with negative weights) during recursion, which enhances the network's perception capability. Moreover, MBP exploits the degeneracy of quantum codes so that it has a better chance to find the most probable error or its degenerate errors. The decoding performance is significantly improved over the conventional BP for various quantum codes, including quantum bicycle codes, hypergraph-product codes, and surface (or toric) codes. For MBP on the surface and toric codes over depolarizing errors, we observe thresholds of 14.5\%--16\% and 14.5\%--17.5\%, respectively.


翻译:量子信息需要由量子装置和操作不完善的量子装置和操作而导致的量子错误校正代码来保护量子信息。 人们希望对量子代码有一个高效和高性能解码程序。 一个潜在的候选者是珍珠的信仰传播(BP),但其性能却因量子代码(特别是具有许多低重量稳定器的代码)所固有的许多短周期而受到影响。一般的印象是,BP无法为表层和托里码等地码工作。在本文中,我们建议对量子代码进行一种高效和高性能解码程序。我们建议对量子代码进行解码的解码,但具有额外的记忆效果(称为MBP )。 这个MBP就像一个在重现过程中神经元(负重)之间具有抑制作用的循环神经网络。 此外,MBP利用了量子代码的退化性,因此它更有机会找到最可能的错误或其腐烂错误。 在各种量子代码上, 5 - 16 的常规BP, 的分解性性性表现显著改进了(我们分别观测了各种量子代码,包括量子- 水平- 水平- 和表面代码, 至 14 水平- 度- 度- 水平- 水平- 和 的 水平- 水平- 5- 水平- 水平- 水平- 和高度- 水平- 的BBBC- 的代码, 我们- 至 至 至 至 水平- 至 至 水平- 至 至 至 至 至 至 水平- 水平 的 的 的 的 水平- 至 至 至 至 至 至 水平- 水平- 水平- 至 的 的 BC- 至 至 的 至 的 的 至 至 至 至 的 的 的 的 的 的 的 至 至 至 至 至 至 至 至 的 至 的 至 至 的 的 的 至 至 至 至 至 至 至 至 至 至 至 的 的 的 水平 的 的 的 的 的 的 的

0
下载
关闭预览

相关内容

专知会员服务
56+阅读 · 2021年4月12日
不可错过!华盛顿大学最新《生成式模型》课程,附PPT
专知会员服务
63+阅读 · 2020年12月11日
专知会员服务
44+阅读 · 2020年10月31日
知识图谱推理,50页ppt,Salesforce首席科学家Richard Socher
专知会员服务
105+阅读 · 2020年6月10日
商业数据分析,39页ppt
专知会员服务
159+阅读 · 2020年6月2日
最新!Yann Lecun 纽约大学Spring2020深度学习课程,附PPT下载
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
已删除
将门创投
5+阅读 · 2019年5月5日
ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
全球人工智能
19+阅读 · 2017年12月17日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31日
Interest-aware Message-Passing GCN for Recommendation
Arxiv
12+阅读 · 2021年2月19日
VIP会员
相关VIP内容
专知会员服务
56+阅读 · 2021年4月12日
不可错过!华盛顿大学最新《生成式模型》课程,附PPT
专知会员服务
63+阅读 · 2020年12月11日
专知会员服务
44+阅读 · 2020年10月31日
知识图谱推理,50页ppt,Salesforce首席科学家Richard Socher
专知会员服务
105+阅读 · 2020年6月10日
商业数据分析,39页ppt
专知会员服务
159+阅读 · 2020年6月2日
最新!Yann Lecun 纽约大学Spring2020深度学习课程,附PPT下载
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
相关资讯
已删除
将门创投
5+阅读 · 2019年5月5日
ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
全球人工智能
19+阅读 · 2017年12月17日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31日
Top
微信扫码咨询专知VIP会员