toric code
PulseAugur coverage of toric code — every cluster mentioning toric code across labs, papers, and developer communities, ranked by signal.
-
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。
-
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。
-
AI框架利用注意力机制识别物理对称性
研究人员开发了一个新颖的优化框架，该框架利用具有自注意力机制的Set-Transformer架构来识别物理模型中的对称性。这种基于机器学习的方法对Pauli-Strings之间的相关性进行编码，以提出候选对称性，然后使用定制的基于对易的客观函数进行优化。该方法在Ising模型和Toric code等物理哈密顿量上表现出高成功率，优于现有策略，并在随机Pauli哈密顿量的计算资源估算方面具有优势。
-
新的混合专家视觉Transformer增强了量子纠错解码
研究人员开发了QuantumSMoE，这是一种新颖的量子视觉Transformer，用于高保真表面码解码。这种基于机器学习的解码器使用专门的嵌入和自适应掩码来整合代码结构，以更好地捕捉局部交互。在环面码上的实验表明，QuantumSMoE在性能上超过了当前最先进的机器学习解码器和已建立的经典方法。