哥德堡大学与查尔姆斯开发可迁移的模块化图神经量子纠错解码器

哥德堡大学与查尔姆斯理工大学研究团队发布预印本，提出一种用于表面码量子纠错的模块化神经解码器，可跨硬件架构、不同噪声配置及多补丁逻辑操作（格手术）迁移使用。模型与训练脚本已在 GitHub 开源，论文收录于 arXiv。 该架构受重整化群启发，在码距 d=3 至 9 范围内参数量保持在约 200 万至 300 万，可在单张商用 GPU 上训练。在 IBM Nighthawk r1（ibm_berlin）真实设备数据上，d=3 时每轮逻辑错误率为 1.26%，较传统 MWPM 解码器的 2.60% 减半。 团队称，要在长时间格手术电路中避免综合症积压、达到所需吞吐量，需将该 GNN-RNN 架构直接编译到专用 FPGA 或 ASIC 加速器上运行。

AI 生成摘要 · 以原文为准

AI 根据报道生成 · 6 天前更新