Quantum Error Correction
PulseAugur coverage of Quantum Error Correction — every cluster mentioning Quantum Error Correction across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
AI科学家OmniQEC发现实用的量子纠错码
研究人员开发了OmniQEC，一个旨在发现实用量子纠错码（QEC）的AI科学家，用于量子计算。OmniQEC利用大型语言模型协调代码生成、筛选和电路评估，采用快速循环进行初步探索，慢速循环进行详细的物理评估。这种AI驱动的方法已成功识别出优于现有BB码的QEC码，随着物理量子比特预算的增加，显示出改进的逻辑错误抑制能力，并为QEC实现提供了硬件友好的解决方案。
-
Google Research 使量子计算机能够从错误中学习
Google Research 开发了一个强化学习框架，使量子计算机能够在计算过程中从错误中学习并进行自我纠正。该方法使用自主代理不断调整控制参数，稳定量子系统免受漂移影响，并克服了长时量子算法的一个主要瓶颈。该方法已在模拟和实验数据中得到验证，显示出量子纠错的可靠性和保真度有所提高。
-
新的量子纠错解码框架提高了准确性并管理了延迟
研究人员开发了一种新的自适应置信门控解码框架，用于量子纠错（QEC），该框架在管理延迟的同时显著提高了逻辑准确性。该框架将解码视为一个两阶段推理问题，使用轻量级神经网络进行快速路径解码，并将仅低置信度的预测升级到最小权重完美匹配（MWPM）精炼阶段。在旋转表面码上的基准测试表明，将一小部分综合症路由到精炼阶段，可以将逻辑准确性提高到 99.81%，而解码成本仅有有限的增加。神经网络解码器在商品硬件上实现了高吞吐量，表明其在扩展量子计算…
-
新型神经网络解码器提升量子纠错阈值
研究人员开发了一种新颖的数据驱动解码器，称为神经最小权重完美匹配（NMWPM），用于量子纠错。该解码器集成了图神经网络（GNN）和Transformer，以捕捉量子错误数据中的局部和全局依赖关系。通过预测最小权重完美匹配（MWPM）算法的动态边缘权重，NMWPM旨在提高错误检测和纠正能力。在 toric code 上的实验表明，NMWPM 实现了接近理论最大似然边界的错误阈值。
-
量子神经网络缩短纠错训练时间
研究人员开发了一种新颖的量子神经网络架构，旨在改进量子纠错。这种新的全局变分学习方法通过最小化量子电路中所需的酉矩阵数量，显著降低了计算负荷。该方法已证明训练时间减少了97%，训练完成率提高了25%，成功率达到100%，并超越了先前的纠错基准。
-
稀疏Mamba解码器提升量子纠错速度与准确性
研究人员开发了一种名为稀疏Mamba解码器（SMD）的新型神经网络解码器，专为量子纠错而设计。该解码器能够高效地仅处理活跃的错误事件，而非整个综合征阵列，从而显著降低了计算复杂度。与现有解码器相比，SMD在包括Google Sycamore的实验数据在内的各种基准测试中，均展现出更高的准确性和显著更快的处理速度。
-
Google Quantum AI 团队利用动态表面码推进量子纠错
Google Quantum AI 的研究人员展示了用于量子纠错的动态表面码，这是一种超越静态电路的新颖方法。这些动态电路使用的耦合器更少，减少了相关错误，并采用了不同的量子门，提供了更大的灵活性，并规避了量子比特掉线和硬件布局限制等挑战。这项发表在《Nature Physics》上的研究展示了三种新的动态电路——六边形、行走和 iSWAP——每种电路都解决了量子纠错中的特定问题，并为更强大的逻辑量子比特铺平了道路。