《使用各种数据生成模型评估量子纠错的神经网络解码器性能》美国空军技术学院142页论文

过去的研究表明，神经网络在进行量子纠错（QEC）解码时，比算法解码器更准确、更高效。由于量子计算机中的量子比特是不稳定的，在它们解体之前只能在几毫秒内使用，为了在量子算法的时间预算内纠正数据量子比特的错误，有必要采用快速量子纠错的方法。算法解码器善于解决只有几个数据量子比特的逻辑量子比特的错误，但在含有更多数据量子比特的系统中效率较低。有了神经网络解码器，实际的量子计算变得更加可实现，因为纠错操作的计算速度比MWPM或部分查找表的实现方式快得多。这项研究旨在进一步推动神经网络QEC解码器的研究，通过使用高性能计算算法生成详尽和随机采样的数据集，评估数据集生成方法对这些神经网络与类似模型相比的有效性的影响。这项工作的结果表明，不同的数据集会影响各种性能指标，包括准确性、F1得分、接收者操作特征曲线下的面积和QEC周期。