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
-
量子突破在纠错、纠缠和意识方面的探索
一系列帖子探讨了量子力学及其潜在应用方面的进展。其中一篇帖子详细介绍了使用表面码在量子纠错方面取得的突破，为量子生物学提供了新见解。另一篇讨论了变分量子本征求解器中量子纠缠在分子化学中的作用。此外，Oracle Research 的研究强调了量子相干性在生物光合作用和意识体验中的作用，而另一篇文章则探讨了用于知识图谱推理和决策的量子分支退相干。
-
乌克兰成功执行首次无人机伤亡撤离任务 · 跟踪3个来源
乌克兰已成功在前线为一名受伤士兵执行了前所未有的无人机救援行动，展示了战场医疗后送的重大进展。此次行动在类似的乌克兰伤亡撤离无人机开始前线测试后不久披露，超越了美国军方数十年的实验。此次任务使用了一架由 Gurzuf Defence 提供的 Heavy Shot AYUDAG 6 六旋翼无人机，将士兵飞行了近 39 英里到达安全地带，凸显了创新在克服严峻战斗条件中的关键作用。
-
Qwen Code 成为免费的 Claude Code 替代品；Google Quantum AI 和 DeepMind 推进 QEC
一份新指南介绍了 Qwen Code 作为 Anthropic 的 Claude Code 的免费替代品，允许用户自由切换 AI 模型。另外，Google Quantum AI 和 DeepMind 展示了模块化双曲码，显著降低了量子纠错的开销。
-
人工智能集成加速量子计算容错，目标 2030 年实现
量子计算正从理论潜力走向实际应用，但仍存在一个主要障碍：实现容错。虽然量子纠错旨在保护精密的量子比特，但真正的容错需要整个系统架构的设计来防止错误传播。人工智能（特别是神经网络和机器学习）的集成正成为 2030 年实现容错的关键因素，充当实时调节器，在错误影响计算之前预测并中和它们。然而，该行业在众多架构模式上的碎片化构成重大挑战，可能延迟广泛的商业采用。
-
量子比特中心Transformer推进量子纠错
研究人员开发了一种新颖的量子比特中心Transformer（QCT）解码器，用于量子纠错，该解码器利用深度学习和具有专业量子比特中心注意力机制的Transformer架构。这种方法将稳定子综合症转化为量子比特中心令牌，从而能够识别潜在的逻辑错误。QCT解码器采用基于图的掩码方法，该方法考虑了量子码的拓扑结构，并将注意力集中在相关的量子比特交互上。它在表面码方面表现出最先进的性能，显著优于现有的神经解码器和信念传播基线，并在去极化噪声下…
-
AI agents pose security risk to quantum error correction, study finds
一篇新研究论文探讨了量子纠错系统在受到人工智能代理影响时的安全漏洞。该研究发现，在综合记录中存在一种歧义，可能导致错误的恢复选择，从而使攻击者能够引入有害更新。研究人员提出使用校准测量来提供缺失的符号信息，并确保经过认证的恢复更新，即使存在不确定性或漂移。在环形码和表面码上的实验表明，校准置信度检查可以在拒绝恶意提议的同时接受有益的提议，从而增强量子纠错系统免受人工智能驱动的攻击的安全性。
-
强化学习增强量子纠错综合征提取
研究人员开发了一种使用强化学习和重要性采样的新方法，以优化量子纠错中的综合征提取。该方法通过降低逻辑错误率，显著优于AlphaSyndrome和PropHunt等现有工具。新技术实现了显著的错误率降低，尤其是在较大的表面码方面，展示了可扩展性和解决方案质量的提高。
-
机器学习技术应用于量子纠错解码
一篇新论文探讨了应用机器学习技术来增强量子纠错，特别是针对拓扑量子码。该研究将解码视为一个学习问题，详细介绍了判别式、生成式和强化学习方法如何被利用。它强调了神经网络在构建可扩展且高效的解码器中的作用，讨论了实现容错量子计算的架构原则、实际性能和实时性考量。
-
D-Wave Systems 实现量子纠错硬件突破
D-Wave Systems 宣布在量子纠错硬件方面取得重大进展。这一突破对于开发实用的、容错的门模型量子计算至关重要。该公司的进展标志着实现量子计算全部潜力的关键一步。
-
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。